論文の概要: QE-Catalytic: A Graph-Language Multimodal Base Model for Relaxed-Energy Prediction in Catalytic Adsorption

• arxiv url: http://arxiv.org/abs/2512.20084v1
• Date: Tue, 23 Dec 2025 06:27:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.769372
• Title: QE-Catalytic: A Graph-Language Multimodal Base Model for Relaxed-Energy Prediction in Catalytic Adsorption
• Title（参考訳）: QE-Catalytic: 触媒吸着における緩和エネルギー予測のためのグラフ言語マルチモーダルベースモデル
• Authors: Yanjie Li, Jian Xu, Xueqing Chen, Lina Yu, Shiming Xiang, Weijun Li, Cheng-lin Liu,
• Abstract要約: 本稿では,大規模言語モデルとE(3)-同変グラフ変換器を結合したマルチモーダルフレームワークQE-Catalyticを提案する。 予測中、QE-Catalyticは3次元構造と構造化された構成テキストを共同で利用し、言語チャネルに「3次元幾何学情報」を注入する。 OC20では、QE-Catalytic は緩和された吸着エネルギーの MAE を 0.713eV から 0.486eV に還元し、ベースラインモデルより一貫して優れる。
• 参考スコア（独自算出の注目度）: 44.77883047868218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adsorption energy is a key descriptor of catalytic reactivity. It is fundamentally defined as the difference between the relaxed total energy of the adsorbate-surface system and that of an appropriate reference state; therefore, the accuracy of relaxed-energy prediction directly determines the reliability of machine-learning-driven catalyst screening. E(3)-equivariant graph neural networks (GNNs) can natively operate on three-dimensional atomic coordinates under periodic boundary conditions and have demonstrated strong performance on such tasks. In contrast, language-model-based approaches, while enabling human-readable textual descriptions and reducing reliance on explicit graph -- thereby broadening applicability -- remain insufficient in both adsorption-configuration energy prediction accuracy and in distinguishing ``the same system with different configurations,'' even with graph-assisted pretraining in the style of GAP-CATBERTa. To this end, we propose QE-Catalytic, a multimodal framework that deeply couples a large language model (\textbf{Q}wen) with an E(3)-equivariant graph Transformer (\textbf{E}quiformer-V2), enabling unified support for adsorption-configuration property prediction and inverse design on complex catalytic surfaces. During prediction, QE-Catalytic jointly leverages three-dimensional structures and structured configuration text, and injects ``3D geometric information'' into the language channel via graph-text alignment, allowing it to function as a high-performance text-based predictor when precise coordinates are unavailable, while also autoregressively generating CIF files for target-energy-driven structure design and information completion. On OC20, QE-Catalytic reduces the MAE of relaxed adsorption energy from 0.713~eV to 0.486~eV, and consistently outperforms baseline models such as CatBERTa and GAP-CATBERTa across multiple evaluation protocols.
• Abstract（参考訳）: 吸着エネルギーは触媒反応性の鍵となる記述子である。 基本的に吸着面系の緩和総エネルギーと適切な基準状態との差として定義されるため、緩和エネルギー予測の精度は機械学習駆動型触媒スクリーニングの信頼性を直接決定する。 E(3)-同変グラフニューラルネットワーク(GNN)は、周期的境界条件下で3次元原子座標をネイティブに操作でき、そのようなタスクに対して強い性能を示す。 対照的に、言語モデルに基づくアプローチは、人間の読みやすいテキスト記述を可能にし、明示的なグラフへの依存を減らし、適用性を広げる一方で、吸着-構成エネルギー予測の精度と「異なる構成の同じシステム」を区別する上でも、GAP-CATBERTaのスタイルでグラフ支援事前学習であっても不十分なままである。 そこで本稿では, 大規模言語モデル (\textbf{Q}wen) とE(3)-同変グラフ変換器 (\textbf{E}quiformer-V2) とを深く結合したマルチモーダルフレームワークQE-Catalyticを提案する。 予測中、QE-Catalyticは3次元構造と構造化された構成テキストを共同で利用し、グラフテキストアライメントを介して言語チャネルに ``3D 幾何情報'' を注入し、正確な座標が利用できない場合に高性能なテキストベースの予測器として機能すると同時に、目標エネルギー駆動型構造設計と情報補完のためのCIFファイルを自動回帰的に生成する。 OC20では、QE-Catalytic は緩和された吸着エネルギーの MAE を 0.713~eV から 0.486~eV に削減し、キャットバータやGAP-CATBERTa などのベースラインモデルと複数の評価プロトコルを一貫して上回る。

関連論文リスト

• Accelerating High-Throughput Catalyst Screening by Direct Generation of Equilibrium Adsorption Structures [0.0]
  我々は,周期的ブラウン橋の枠組みを同変グラフニューラルネットワークと統合し,非緩和構造とDFT緩和構造の間の低次元遷移多様体を構築する深部生成モデルDBCataを提案する。 トレーニング中、DBCataはCatalysis-Hubデータセット上で0.035テキストの高忠実で原子間距離の平均絶対誤差(DMAE)を効果的に生成する。 対応するDFT精度は、異常予測を特定して精錬することにより、インスタンスの94%において0.1 eV以内で改善することができる。
  論文  参考訳（メタデータ） (2025-12-17T09:26:58Z)
• Generating Generalised Ground-State Ansatzes from Few-Body Examples [0.0]
  量子多体系のための基底状態アンサーゼを生成する手法を提案する。 相関関係をエンコードし、有限サイズの効果を捉え、基底状態のエネルギーを正確に予測し、臨界現象のよい記述を提供する。
  論文  参考訳（メタデータ） (2025-03-01T13:52:57Z)
• On the importance of catalyst-adsorbate 3D interactions for relaxed energy predictions [98.70797778496366]
  吸着剤の相対的な位置を無視しながら,OC20データセットの緩和エネルギーを予測できるかどうかを検討する。 結合サイト情報の削除は,期待通りに精度を低下させるが,修正モデルは極めて良好なMAEで緩和エネルギーを予測することができる。
  論文  参考訳（メタデータ） (2023-10-10T14:57:04Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• DR-Label: Improving GNN Models for Catalysis Systems by Label Deconstruction and Reconstruction [72.20024514713633]
  本稿では,新しいグラフニューラルネットワーク(GNN)と予測戦略DR-Labelを提案する。 この戦略は、監視信号を強化し、エッジ表現における解の多重度を低減し、ノード予測を堅牢にすることを促す。 DR-Labelは3つの根本的に異なるモデルに適用され、それぞれが一貫した性能向上を示した。
  論文  参考訳（メタデータ） (2023-03-06T04:01:28Z)
• ExpressivE: A Spatio-Functional Embedding For Knowledge Graph Completion [78.8942067357231]
  ExpressivEは、一対の実体を点として埋め込み、仮想三重空間に超平行グラフとして関係を埋め込む。 我々は、ExpressivEが最先端のKGEと競合し、W18RRでさらに優れています。
  論文  参考訳（メタデータ） (2022-06-08T23:34:39Z)
• RCC-GAN: Regularized Compound Conditional GAN for Large-Scale Tabular Data Synthesis [7.491711487306447]
  本稿では,大規模データベースを合成するためのGAN(Generative Adversarial Network)を提案する。 本稿では,ベクトルを二分的特徴と離散的特徴を同時に組み込むための新しい定式化を提案する。 本稿では、トレーニング中に、その重みベクトルにおける前例のない変動を制限するための正規化スキームを提案する。
  論文  参考訳（メタデータ） (2022-05-24T01:14:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。