[論文レビュー] AdsorbFlow: energy-conditioned flow matching enables fast and realistic adsorbate placement

Jiangjie Qiu, Wentao Li+3 more|arXiv (Cornell University)|Feb 22, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

AdsorbFlowはエネルギー条件付きの決定性フローマッチングを用いて表面上の吸着体を配置し、5つの生成ステップのみでDFT検証済みの吸着最安点を状態最先端に達成。拡散と総当たりベースラインを大きく上回り、分布外（OOD）システムにも一般化可能。異なる等方性バックボーンをサポート。

ABSTRACT

Identifying low-energy adsorption geometries on catalytic surfaces is a practical bottleneck for computational heterogeneous catalysis: the difficulty lies not only in the cost of density functional theory (DFT) but in proposing initial placements that relax into the correct energy basins. Conditional denoising diffusion has improved success rates, yet requires $\sim$100 iterative steps per sample. Here we introduce AdsorbFlow, a deterministic generative model that learns an energy-conditioned vector field on the rigid-body configuration space of adsorbate translation and rotation via conditional flow matching. Energy information enters through classifier-free guidance conditioning -- not energy-gradient guidance -- and sampling reduces to integrating an ODE in as few as 5 steps. On OC20-Dense with full DFT single-point verification, AdsorbFlow with an EquiformerV2 backbone achieves 61.4% SR@10 and 34.1% SR@1 -- surpassing AdsorbDiff (31.8% SR@1, 41.0% SR@10) at every evaluation level and AdsorbML (47.7% SR@10) -- while using 20 times fewer generative steps and achieving the lowest anomaly rate among generative methods (6.8%). On 50 out-of-distribution systems, AdsorbFlow retains 58.0% SR@10 with a MLFF-to-DFT gap of only 4~percentage points. These results establish that deterministic transport is both faster and more accurate than stochastic denoising for adsorbate placement.

研究の動機と目的

• computational catalysisにおける低エネルギー吸着幾何配置のボトルネックを解消する。
• 吸着体配置のための確定的なエネルギー条件付き輸送モデルを開発し、確率的拡散を置換する。
• エネルギー勾配ガイダンスを必要とせず相対エネルギー条件付けを可能にする分類器不要ガイダンスを活用する。
• SE(3)等価ネットワーク向けの principled rotation heads を備えたバックボーン不可知設計を実証する。
• OC20-Dense上でDFT検証とともに評価し、OOD一般化を評価する。

提案手法

• 吸着体-基板系を平面内並進tとSO(3)回転Rを2タオラスおよびSO(3)上で剛体としてモデル化する。
• 条件付きフローマッチングと整流フロー軌道を用いて配置多様体上の時間依存ベクトル場v_theta(x, t | c)を学習する。
• トレーニング中にエネルギー条件をランダムにドロップする分類器不要ガイダンスを取り入れ、推論時には条件付き/無条件予測をガイダンス重みwで組み合わせてエネルギー条件を導入する。
• x0を緩和された最小エネルギー点、x1を摂動配置とする対を用い、回転は測地線内插、並進は線形内插で学習する。
• Kステップ（デフォルト5）で時間反転ODEを解くことでサンプリングを行い、ランダムノイズから初期化後、MLFFで生成配置を緩和しDFTで検証する。

Figure 1: AdsorbFlow overview. Training: A linear interpolant connects the relaxed pose $x_{0}$ (at $t{=}0$ ) to noise $x_{1}$ (at $t{=}1$ ), and a symmetry-aware E(3)-equivariant network predicts the velocity field. Sampling: Starting from initial noise $x_{1}$ at $t{=}1$ , we integrate the ODE bac

実験結果

リサーチクエスチョン

• RQ1 エネルギー条件付き決定性輸送はOC20-Denseで吸着配置の拡散より優れるか。
• RQ2 バックボーンの表現力（EquiformerV2対 PaiNN）がCFGガイダンスとサンプリング精度に及ぼす影響は。
• RQ3 5ステップの生成がDFT検証成功、異常率、OOD一般化に prior 法よりどの程度影響するか。
• RQ4 MLFFベースの事前スクリーニングがIDおよびOODデータの後続DFT検証候補のランク付けにどの程度信頼できるか。
• RQ5 回転ヘッド設計がSE(3)等価性と配置品質にバックボーン間でどのように影響するか。

主な発見

• EquiformerV2バックボーンを用いたAdsorbFlowはOC20-Denseで5ステップ時にSR@1 34.1%、SR@10 61.4%を達成し、すべてのレベルでAdsorbDiffおよびAdsorbMLを上回る。
• 5ステップで、拡散ベースラインと比較してバックボーン評価が20倍削減されつつ精度が高い。
• IDではEqV2のMLFF-to-DFTギャップがSR@10で11.3pp、PaiNNで15.9pp。OODではそれぞれ4.0ppおよび2.0ppへ縮小。
• AdsorbFlowは50系のOOD分割でSR@10を58.0%維持し、EqV2のMLFF-to-DFTギャップは4.0pp、PaiNNは2.0ppで良好な一般化を示す。
• k=10での異常率はEqV2が6.8%、PaiNNが13.6%で、 seed間で多様で妥当な配置を示す。