[논문 리뷰] AdsorbFlow: energy-conditioned flow matching enables fast and realistic adsorbate placement

Jiangjie Qiu, Wentao Li외 3명|arXiv (Cornell University)|2026. 02. 22.

Machine Learning in Materials Science인용 수 0

한 줄 요약

AdsorbFlow는 에너지 조건부 결정론적 흐름 매칭을 사용하여 흡착종을 표면에 배치하고, 단 5개의 생성 단계로 최첨단 DFT-검증 흡착 최소값을 달성하며 확산 및 브루트포스 베이스라인보다 크게 우수합니다. 이는 분포 외(out-of-distribution) 시스템으로 일반화되며 서로 다른 등변(backbone)을 지원합니다.

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.

연구 동기 및 목표

• 계산 촉매에서 저에너지 흡착 기하학을 찾아내는 병목을 해결한다.
• 흡착종 배치를 위한 확률적 확산을 대체하기 위해 결정론적이고 에너지 조건부의 수송 모델을 개발한다.
• 에너지 그래디언트 가이던스의 필요 없이 상대 에너지에 조건을 두기 위해 classifier-free 가이던스를 활용하여 조건화한다.
• SE(3) 등변 네트워크에 대한 원칙적 회전 헤드를 갖춘 백본 독립적 설계를 입증한다.
• DFT 검증을 통한 OC20-Dense에서의 평가 및 분포 외 일반화 능력을 평가한다.

제안 방법

• 흡착종-슬랩 시스템을 평면 내 평행이동 t와 SO(3) 회전 R을 갖는 강체로 모델링하고, 2-토러스 및 SO(3)에서 구현한다.
• 구성 공간 매니폴드 위에서 시간 의존 벡터장 v_theta(x, t | c)를 조건부 흐름 매칭과 정류된 흐름 궤적을 통해 학습한다.
• 학습 중 에너지 조건을 무작위로 제거하고 추론 시 가이던스 가중치 w로 조건부/무조건부 예측을 결합하는 classifier-free 가이던스를 통해 상대 에너지를 conditioning에 반영한다.
• x0가 이완된 최소점이고 x1이 섞인 배치를 나타내는 쌍 (x0, x1)으로 학습하며, 회전에 대해 측지 보간(geodesic interpolation)을, 평행이동에 대해 선형 보간을 사용한다.
• K단계(기본값 5)로 시간 역방향으로 ODE를 적분하여 무작위 잡음에서 샘플링을 수행하고, 생성된 배치를 MLFF로 이완시키며 DFT로 검증한다.

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

실험 결과

연구 질문

• RQ1 에너지 조건부 결정론적 수송이 OC20-Dense에서의 흡착종 배치에 대해 확률적 확산보다 성능을 낼 수 있는가?
• RQ2 백본 표현력(EquiformerV2 대 PaiNN)이 CFG 가이던스와 상호작용하여 샘플링 및 정확도에 어떤 영향을 미치는가?
• RQ3 5단계 생성 사용이 DFT-검증 성공, 이상치 비율, 및 이전 방법에 비해 OOD 일반화에 어떤 영향을 미치는가?
• RQ4 MLFF 기반 사전 평가가 ID 및 OOD 데이터 전반에서 후속 DFT 검증을 위해 후보를 얼마나 신뢰성 있게 순위매길 수 있는가?
• RQ5 회전 헤드 설계가 SE(3) 등변성과 배치 품질에 백본 간에 어떤 영향을 미치는가?

주요 결과

• EquiformerV2 백본을 사용하는 AdsorbFlow는 5단계에서 OC20-Dense에서 34.1% SR@1 및 61.4% SR@10를 달성하여 모든 수준에서 AdsorbDiff 및 AdsorbML을 능가한다.
• 5단계로 확산 베이스라인에 비해 백본 평가를 20배 줄이면서도 더 높은 정확도를 유지한다.
• ID에서 EqV2의 MLFF-to-DFT 차이는 SR@10에서 11.3 pp이고 PaiNN은 15.9 pp이다; OOD에서는 각각 4.0 pp와 2.0 pp로 축소된다.
• AdsorbFlow는 50시스템 OOD 분할에서 58.0% SR@10를 유지하며 EqV2의 MLFF-to-DFT 차이는 4.0 pp, PaiNN은 2.0 pp로 강한 일반화를 보인다.
• k=10에서 ID의 이상치 비율은 EqV2가 6.8%, PaiNN이 13.6%로 다양한 시드에 걸친 그럴듯한 배치를 보여준다.