Исследователи представили CatRetriever — модель контрастного обучения для поиска оптимальных структур катализаторов в химическом пространстве. Система решает проблему сопоставления локальных поверхностных структур (slab) с объемными свойствами материалов (bulk), что критически важно для ускорения генеративного дизайна катализаторов. Новый подход позволяет эффективнее фильтровать и отбирать перспективные соединения для гетерогенного катализа, сокращая вычислительные затраты при поиске новых материалов.
Традиционные генеративные модели для химии материалов часто ограничиваются созданием структур на уровне поверхности, игнорируя связь с объемными характеристиками кристалла. Это создает разрыв между предсказанной геометрией и реальной термодинамической стабильностью материала. CatRetriever использует контрастное обучение для выравнивания представлений этих двух уровней, позволяя модели «понимать», какие поверхностные конфигурации соответствуют конкретным объемным структурам.
Внедрение подобных методов позволяет автоматизировать поиск катализаторов, необходимых для экологически чистых технологий и химической промышленности. Использование контрастных представлений помогает модели лучше обобщать данные о химических связях, что повышает точность предсказаний в условиях ограниченного количества экспериментальных данных. Это значимый шаг в сторону создания замкнутых циклов генеративного проектирования материалов.
Ключевые факты
- CatRetriever использует контрастное обучение для сопоставления slab-уровня (поверхность) и bulk-уровня (объем) материалов.
- Метод направлен на ускорение обратного проектирования (inverse design) в гетерогенном катализе.
- Модель позволяет преодолеть разрыв в данных между генерацией поверхностных структур и их физико-химическими свойствами.
- Подход значительно повышает эффективность навигации по обширным химическим пространствам для поиска новых катализаторов.