論文の概要: Catalyst Diffusion Transformer: Generative Inverse Design of Heterogeneous Catalysts

• arxiv url: http://arxiv.org/abs/2607.24272v1
• Date: Mon, 27 Jul 2026 11:11:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.390664
• Title: Catalyst Diffusion Transformer: Generative Inverse Design of Heterogeneous Catalysts
• Title（参考訳）: 触媒拡散変換器:不均一触媒の生成逆設計
• Abstract要約: 触媒拡散変換器 (CatDiT) は逆触媒設計のための統一的なフレームワークである。 CatDiTは、金属間合金から酸化物表面まで、有効で新しい構造を生成する。
• 参考スコア（独自算出の注目度）: 0.18665975431697432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vast chemical design space and complex, interdependent design variables make catalyst discovery for targeted properties highly labor- and resource-intensive. Although generative models have emerged as a promising solution, existing approaches are generally limited to single-property conditioning or narrow chemical spaces. Here, we present Catalyst Diffusion Transformer (CatDiT), a unified framework for inverse catalyst design that generates valid and novel structures ranging from intermetallic alloys to oxide surfaces. By learning compressed latent representations, CatDiT enables efficient training and rapid sampling while supporting simultaneous conditioning on adsorbate type, binding energy, and catalyst class. The model provides reliable control of discrete properties and directional control of continuous properties, enriching candidate pools for reaction-specific catalyst discovery. As a representative application, multi-conditional generation for the nitrogen reduction reaction (NRR) yields 28 density functional theory (DFT)-relaxed alloy candidates that satisfy the target activity window and lie above the pure-metal *N-*H scaling line, corresponding to a ~1.5-fold enrichment over the source distribution. These results establish CatDiT as a practical and scalable approach for property-directed catalyst inverse design and targeted catalyst generation.
• Abstract（参考訳）: 膨大な化学設計空間と複雑で相互依存的な設計変数は、高度に労働力と資源集約的な特性を目標とする触媒発見を行う。 生成モデルは有望な解として現れてきたが、既存のアプローチは一般に単項条件付けや狭い化学空間に限られている。 本稿では, 金属間化合物から酸化物表面まで, 有効かつ新しい構造を創出する逆触媒設計のための統一的なフレームワークであるCatDiTについて述べる。 CatDiTは圧縮遅延表現を学習することにより、吸着型、結合エネルギー、触媒クラスの同時条件付けをサポートしながら、効率的なトレーニングと迅速なサンプリングを可能にする。 このモデルは離散特性の信頼性の高い制御と連続特性の方向性制御を提供し、反応特異的触媒発見のための候補プールを豊かにする。 代表的な応用として、窒素還元反応(NRR)の多条件生成は、ターゲット活性ウィンドウを満たす28の密度汎関数理論(DFT)を導出し、ソース分布の約1.5倍の濃縮に対応する純金属*N-*Hスケーリングラインの上に位置する。 これらの結果から,キャットディットは特性指向触媒逆設計と触媒ターゲット生成のための実用的でスケーラブルなアプローチとして確立された。

関連論文リスト

• Reaction-network reasoning with frontier models for experimentally confirmed catalyst-selectivity hypotheses [2.680414327006012]
  経路競合を支配する物理レバーを同定することにより,フロンティア言語モデルが新規触媒を発見可能であることを示す。 我々は、複雑な化学グラフからテスト可能な仮説を抽出するために、ネットワーク不変性を強制する人間-AI共同思考フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-09T00:11:40Z)
• Toward Controllable Catalyst Inverse Design via Large-Scale Autoregressive Pretraining [0.20391237204597365]
  生成事前学習型トランスアーキテクチャに基づく条件付き触媒生成モデルを提案する。 このモデルでは, 98%の構造的妥当性, 95%の最適化妥当性, 高いカテゴリー的条件忠実度が得られた。 その結果, 大規模自己回帰前訓練と明示的特性条件の併用により, 制御可能な触媒生成に向けた実践的な経路が得られた。
  論文  参考訳（メタデータ） (2026-06-16T03:00:52Z)
• CatalyticMLLM: A Graph-Text Multimodal Large Language Model for Catalytic Materials [61.546562658308005]
  触媒材料のためのグラフテキスト多モード大言語モデルQE-Catalytic-V2を提案する。 プロパティ予測と逆設計を同じモデルと共有表現空間に統合する。 この統合フレームワークでは、QE-Catalytic-V2は信頼性の高いプロパティ予測を行うだけでなく、物理的に実現可能なCIF候補を生成し、表示することができる。
  論文  参考訳（メタデータ） (2026-05-17T04:31:46Z)
• QE-Catalytic: A Graph-Language Multimodal Base Model for Relaxed-Energy Prediction in Catalytic Adsorption [44.77883047868218]
  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。
  論文  参考訳（メタデータ） (2025-12-23T06:27:30Z)
• 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)
• Catalyst GFlowNet for electrocatalyst design: A hydrogen evolution reaction case study [73.49945279707323]
  電気触媒は水素エネルギー貯蔵(HES)において重要な役割を担い、エネルギーを水素として貯蔵する。 本稿では, 効率的な触媒として機能する結晶表面を設計するために, 生成とエネルギーの機械学習に基づく予測モデルであるCatalyst GFlowNetを紹介する。 我々は,HESにおける重要な反応である水素進化反応への概念実証の適用を通じて,プラチナを最も効率的な触媒として同定し,モデルの性能を実証した。
  論文  参考訳（メタデータ） (2025-10-02T15:49:39Z)
• Breaking scaling relations with inverse catalysts: a machine learning exploration of trends in $\mathrm{CO_2}$ hydrogenation energy barriers [0.0]
  逆触媒における基本反応過程の遷移状態を調べるためのワークフローを提案する。 我々は、Cu(111)上に担持した酸化インジウムナノクラスター上における必須前駆体中間体とその生成に焦点をあてる。 得られた遷移状態ジオメトリーの集合の解析により、ナノクラスターの端や内部における異なる構造-活性の傾向が明らかになった。
  論文  参考訳（メタデータ） (2025-04-23T08:12:47Z)
• Reaction-conditioned De Novo Enzyme Design with GENzyme [64.14088142258498]
  textscGENzymeは、触媒反応を入力として、触媒ポケット、全酵素構造、酵素-基質結合複合体を生成する、テクスチドノボ酵素設計モデルである。 textscGENzymeは,(1)触媒ポケット生成および配列共設計モジュール,(2)ポケット塗布および酵素逆折り畳みモジュール,(3)酵素-基質複合体の最適化と予測のための結合およびスクリーニングモジュールを統合した,エンド・ツー・エンドの3段階モデルである。
  論文  参考訳（メタデータ） (2024-11-10T00:37:26Z)
• Generative Language Model for Catalyst Discovery [0.0]
  化学空間から無機触媒構造の文字列表現を生成するために訓練されたCatalyst Generative Pretrained Transformer (CatGPT)を導入する。 CatGPTは有効かつ正確な触媒構造を生成する上で高い性能を示すだけでなく、所望の触媒の種類を生成するための基礎モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-07-19T05:34:08Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• PhAST: Physics-Aware, Scalable, and Task-specific GNNs for Accelerated Catalyst Design [102.9593507372373]
  触媒材料は産業プロセスに関わる電気化学反応において重要な役割を担っている。 機械学習は、大量のデータから材料特性を効率的にモデル化する可能性を秘めている。 本稿では,ほとんどのアーキテクチャに適用可能なタスク固有のイノベーションを提案し,計算効率と精度の両立を図っている。
  論文  参考訳（メタデータ） (2022-11-22T05:24:30Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)

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。