[論文レビュー] CatFlow: Co-generation of Slab-Adsorbate Systems via Flow Matching

Minkyu Kim, Nayoung Kim+2 more|arXiv (Cornell University)|Feb 5, 2026

Machine Learning in Materials Science被引用数 0

ひとこと要約

CatFlow はフロー整合を用いてスラブ構造と吸着系座標を共に生成し、因子分解されたスラブ-吸着表現を用いて構造忠実性と吸着エネルギーの整合性を向上させ、de novo 生成と構造予測の双方でベースラインと比較して OC20 上の性能を改善します。

ABSTRACT

Discovering heterogeneous catalysts tailored for specific reaction intermediates remains a fundamental bottleneck in materials science. While traditional trial-and-error methods and recent generative models have shown promise, they struggle to capture the intrinsic coupling between surface geometry and adsorbate interactions. To address this limitation, we propose CatFlow, a flow matching-based framework for de novo design and structure prediction of heterogeneous catalysts. Our model operates on a primitive cell-based factorized representation of the slab-adsorbate complex, reducing the number of learnable variables by an average of 9.2x while explicitly encoding the surface orientation of the slab-adsorbate interface. Experiments on the Open Catalyst 2020 dataset demonstrate that CatFlow significantly improves the structural fidelity of generated catalysts compared to autoregressive and sequential baselines. Further experiments show that the generated structures accurately capture the adsorption energy distributions of physically plausible interfaces and lie closer to thermodynamic local minima.

研究の動機と目的

• 表面形状と吸着相互作用を結合させることで不均一触媒の発見のボトルネックに対処する。
• スラブ構造と吸着座標を共に生成する統一フレームワークを提案する。
• 表面配向情報を保持しつつ学習可能変数を削減する因子分解表現を導入する。
• 優れた忠実性とエネルギー特性を伴う OC20 ベンチマークでエンドツーエンドの生成と構造予測を実証する。

提案手法

• 条件付き結合分布 p(S_prim, M, k_vac, x_ads | a_ads) を定義し、連続・離散フロー整合を用いてスラブ-吸着系を同時生成する単一モデルを訓練する。
• 原子セル、変換行列、真空スケーリング因子、および吸着成分からなるスラブ-吸着系の因子分解表現を導入し、表面配向情報を保持しつつ学習変数を削減する。
• 原子種のマスキングを用いた離散フロー整合と幾何変数の連続フロー整合を採用し、訓練時には再パラメータ化と緩和された M を用いる。
• ジョイントな原子レベル表現を処理し、連続座標と離散組成の両方を予測するディープラーニングモデルとしてトランスフォーマーベースのニューラルネットワーク（DiT に触発されたエンコーダ/デコーダ）を用いる。
• 推論時には連続変数の常微分方程式を解き、離散トークンのマスキングを段階的に解除してde novo 構造を生成するか、構成を固定して構造予測を行う。

Figure 1 : Visualization of the co-generation trajectory conditioned on the adsorbate. We illustrate the synchronized evolution of the slab-adsorbate system from the initial noise distribution ( $t=0$ ) to the final structure ( $t=1$ ) for de novo generation (top) and structure prediction (bottom).

実験結果

リサーチクエスチョン

• RQ1 CatFlow はスラブ構造と吸着 placements を同時生成し、表面-吸着相互作用を捉えることができるか。
• RQ2 因子分解表現は表面配向と物理的有効性を損なうことなく次元を削減できるか。
• RQ3 エンドツーエンドの共生成は、OC20 での de novo 生成と構造予測において、モジュラーなパイプライン（例: DiffCSP + AdsorbDiff）と比較してどうか。
• RQ4 生成された吸着エネルギーの品質は、さまざまな吸着種に対して参照ミニマからどの程度近いか。

主な発見

• CatFlow は de novo 生成において妥当性、独自性、収束効率の全てで CatGPT を上回り、妥当性は 97.33%、比較対象は 92.67%、独自性は 94.69%、比較対象は 79.91%、システムエネルギー変化が小さく収束が速い。
• 構造予測では、CatFlow は 2 段階 DC+AD ベースラインを妥当性で大きく上回り（98.16% 対 64.95%）、マッチ率（11.09% 対 0.01%）、RMSD（0.0973 対 0.1833）、吸着エネルギー成功率（9.72% 対 1.85%）でも優れる。
• CatFlow は多くの吸着種に対して参照エネルギーとより近い吸着エネルギー分布を生成し、物理的に妥当な局所ミニマ近傍の配置を生成していることを示す。
• 因子分解表現は次元削減を実現しつつ表面配向情報を保持し、スラブ-吸着系の共同生成を効率化する（平均約9.2x、最大96x）。
• エンドツーエンドのフレームワークは表面-吸着相互作用を明示的にモデル化し、吸着種の同定条件づけを行うことで、事前定義の吸着種トークンを超えた汎化を可能にする。

Figure 2 : Histogram of atom counts in catalyst structures. We compare the histograms of atom counts for slab structures (blue) and their corresponding primitive cells (green). The primitive cells require fewer atoms than the slab structures, reducing the number of learnable variables for the genera