[논문 리뷰] CatFlow: Co-generation of Slab-Adsorbate Systems via Flow Matching

Minkyu Kim, Nayoung Kim외 2명|arXiv (Cornell University)|2026. 02. 05.

Machine Learning in Materials Science인용 수 0

한 줄 요약

CatFlow는 흐름 매칭을 이용해 평면 구조와 흡착체 좌표를 공동으로 생성하여, OC20에서 기저 대비 de novo 생성과 구조 예측 모두에서 표면-흡착체 충실도 및 흡착에너지 정합성을 개선합니다.

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.

연구 동기 및 목표

• 비정형 촉매를 발견하는 병목을 표면 기하학과 흡착체 상호작용을 결합하여 해결합니다.
• 슬래브 구조와 흡착체 좌표를 공동 생성하는 통합 프레임워크를 제안합니다.
• 표면 방향 정보를 보존하면서 모델 차원을 줄이는 요인화 표현을 도입합니다.
• OC20 벤치마크에서 우수한 충실도와 에너지 특성을 갖춘 엔드투엔드 생성 및 구조 예측을 시연합니다.

제안 방법

• 조건부 결합 분포 p(S_prim, M, k_vac, x_ads | a_ads)를 정의하고, 연속 및 이산 흐름 매칭으로 단일 모델을 학습시켜 슬래브-흡착체 시스템을 공동 생성합니다.
• 슬래브-흡착체 시스템을 원자원(cell), 변환 행렬, 진공 스케일링 인자, 흡착체 구성 요소로 요인화된 표현으로 도입해 표면 방향 정보를 보존하면서 학습 변수 수를 줄입니다.
• 원자 종에 대한 마스킹이 있는 이산 흐름 매칭과 기하학 변수에 대한 연속 흐름 매칭을 사용하며, 재매개변화 및 학습 중 느슨한 M을 포함합니다.
• 트랜스포머 기반 신경망(DiT-영감 인코더/디코더)을 사용해 결합된 원자 수준 표현을 처리하고 연속 좌표와 이산 구성을 모두 예측합니다.
• 추론 시 연속 변수에 대해 ODE를 풀고 이산 토큰에 대한 반복적 언마스킹을 수행해 de novo 구조를 생성하거나, 구조 예측을 위해 구성을 고정합니다.

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).

실험 결과

연구 질문

• RQ1 CatFlow가 표면-흡착체 상호작용을 포착하면서 슬래브 구조와 흡착체 배치을 함께 생성할 수 있는가?
• RQ2 요인화된 표현이 표면 방향 정보를 보존하고 물리적 타당성을 해치지 않으면서 차원을 축소하는가?
• RQ3 OC20에서 de novo 생성 및 구조 예측에 있어 엔드투엔드 공동 생성이 모듈형 파이프라인(DiffCSP + AdsorbDiff 등)과 어떻게 비교되는가?
• RQ4 다양한 흡착체에 대해 생성된 흡착에너지의 질이 참조 최저점에 비해 어떤가?

주요 결과

• CatFlow는 de novo 생성에서 CatGPT를 능가하여 타당성, 고유성 및 수렴 속도 측면에서 97.33% 타당성 대 92.67%, 94.69% 고유성 대 79.91%를 달성하고 시스템 에너지 변화가 더 작고 수렴이 더 빠릅니다.
• 구조 예측에서 CatFlow는 두 단계 DC+AD 기본값에 비해 타당성(98.16% 대 64.95%), 매칭 비율(11.09% 대 0.01%), RMSD(0.0973 대 0.1833), 흡착에너지 성공률(9.72% 대 1.85%)에서 크게 앞섰습니다.
• CatFlow는 흡착에너지 분포를 참조 에너지와 더 가깝게 정렬하도록 생성하여 많은 흡착체에서 물리적으로 타당한 국소 최소점 근방의 구성을 생성함을 시사합니다.
• 요인화된 표현은 차원을 평균 ~9.2배, 최대 96배까지 감소시키면서 표면 방향 정보를 보존하여 슬래브-흡착체 시스템의 공동 생성을 가능하게 합니다.
• 엔드투엔드 프레임워크는 표면-흡착체 상호작용을 명시적으로 모델링하고 흡착체 항으로 조건화하여 미리 정의된 흡착체 토큰을 넘어 일반화가 가능합니다.

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