Catalyst Diffusion Transformer: Generative Inverse Design of Heterogeneous Catalysts

Resumen Técnico: CatDiT (Catalyst Diffusion Transformer)

Planteamiento del Problema
El descubrimiento de catalizadores heterogéneos se ve obstaculizado por un vasto espacio de diseño combinatorio que involucra composición, facetas superficiales, identidad del adsorbato y cobertura. Los enfoques computacionales tradicionales dependen del cribado de bibliotecas predefinidas de estructuras conocidas, lo que limita la exploración al espacio químico existente y no logra abordar el problema del diseño inverso: generar estructuras que satisfagan restricciones funcionales específicas. Aunque los modelos generativos han mostrado potencial en moléculas y cristales, extenderlos a catalizadores heterogéneos es un desafío debido a la complejidad de los sistemas de placa-adsorbato (decenas a cientos de átomos) y la necesidad de condicionamiento simultáneo en múltiples propiedades (p. ej., tipo de adsorbato, energía de unión, clase de catalizador). Los métodos existentes suelen estar restringidos a un condicionamiento de propiedad única, espacios químicos estrechos (p. ej., solo aleaciones) o carecen de un marco unificado para generar estructuras válidas y novedosas a través de diversas clases de catalizadores.

Metodología
Los autores proponen CatDiT (Catalyst Diffusion Transformer), un marco unificado de difusión latente diseñado para el diseño inverso de catalizadores heterogéneos. La arquitectura consta de dos etapas principales:

1. Aprendizaje de Representación Latente (VAE): Un Autoencoder Variacional (VAE) codifica las estructuras de los catalizadores en un espacio latente compacto y SE(3)-equivariante. El codificador utiliza EquiformerV2 para asegurar la equivariancia geométrica, gestionando la naturaleza periódica de los sistemas de placa-adsorbato. La representación de entrada incluye una tupla $(L, A, F, T)$ que comprende parámetros de red, tipos atómicos, coordenadas fraccionarias y una etiqueta atómica que distingue entre átomos subsuperficiales fijos, átomos superficiales libres y adsorbatos.
2. Modelado Generativo (DiT): Un Diffusion Transformer (DiT) realiza el ajuste de flujo (flow matching) dentro del espacio latente aprendido para generar nuevas estructuras. Este enfoque evita las prohibiciones computacionales de la difusión directa de coordenadas atómicas para sistemas grandes.
3. Generación Condicional: El modelo permite el condicionamiento simultáneo en tres variables discretas/continuas: tipo de adsorbato, clase de catalizador (p. ej., intermetálico, óxido, haluro) y energía de unión. El condicionamiento se logra mediante Guía Libre de Clasificador (CFG), donde las etiquetas de las propiedades se inyectan como embeddings. Durante el entrenamiento, las etiquetas se eliminan aleatoriamente para permitir la generación tanto incondicional como condicional.

Contribuciones Clave

• Marco Unificado: CatDiT es el primer marco que unifica el condicionamiento de múltiples propiedades (discretas y continuas) para catalizadores heterogéneos, abarcando un amplio espacio químico desde aleaciones intermetálicas hasta superficies de óxidos.
• Difusión Latente para Placas: Al emplear representaciones latentes SE(3)-equivariantes y ajuste de flujo, el modelo logra un estado del arte en validez y unicidad de estructuras, manteniendo la estabilidad durante la relajación, superando así los problemas de escalabilidad de la difusión directa basada en coordenadas.
• Control Multicondicional: El modelo demuestra la capacidad de dirigir la generación hacia adsorbatos específicos, clases de catalizadores y regímenes de energía de unión objetivo, ofreciendo un control direccional sobre propiedades continuas y una alta fidelidad para las discretas.

Resultados

• Calidad de Generación: Comparado con CatGPT y CatFlow, CatDiT alcanza un rendimiento superior con un 98.32% de validez estructural y un 99.26% de unicidad. También exhibe el menor cambio de energía de relajación promedio ($\Delta E_{sys} \approx 23.0$ eV), lo que indica que las estructuras generadas están más cerca de los mínimos locales que los modelos de referencia.
• Exploración del Espacio Químico: El modelo genera estructuras con una alta cobertura de la distribución de la verdad de campo (OC20/OC22) mientras introduce variaciones novedosas. Aproximadamente el 10.2% de las estructuras generadas poseen composiciones novedosas con coincidencias de volumen (bulk) casi estables en el Materials Project, y muchas exhiben novedad estructural ($d_{AMD} > 0$) incluso cuando comparten composiciones con el conjunto de entrenamiento.
• Desempeño Condicional:
  • Variables Discretas: Para el condicionamiento de la clase de catalizador, la fidelidad supera el 98.7% en cinco clases (intermetálico, metaloide, no metal, haluro, óxido). Para el condicionamiento del adsorbato (64 especies), la fidelidad es alta para especies monoatómicas (>70%), pero disminuye para moléculas más grandes debido al aumento de los grados de libertad estructurales y la complejidad de los isómeros.
  • Variables Continuas: El modelo proporciona control direccional sobre la energía de adsorción ($E_{ads}$). Aunque la precisión varía, hasta un 36% de las muestras caen dentro de una tolerancia de $\pm 0.5$ eV en la región rica en datos ($-4$a$+2$ eV).
• Aplicación a la Reacción de Reducción de Nitrógeno (NRR): En una tarea de generación multicondicional dirigida a la adsorción de N a $-1.0$ eV, el modelo produjo candidatos que rompen la línea de escalado N–*H de metales puros. Tras la validación mediante DFT, 28 candidatos cumplieron tanto con la ventana de actividad objetivo como con el criterio de selectividad (situándose por encima de la línea de escalado). Esto representa un enriquecimiento de ~1.5 veces sobre la distribución de origen, demostrando la capacidad del modelo para concentrar candidatos en regímenes relevantes para la reacción.

Significación
El artículo posiciona a CatDiT como un paso práctico y escalable hacia el diseño inverso dirigido por propiedades en la catálisis heterogénea. Al permitir la generación de estructuras válidas, diversas y novedosas bajo restricciones funcionales específicas, CatDiT reduce la dependencia del cribado exhaustivo y la enumeración por fuerza bruta. Los autores enfatizan que, si bien el modelo no garantiza la sintetizabilidad experimental o la estabilidad termodinámica de las placas generadas, sirve como una poderosa herramienta de etapa inicial (upstream) para acelerar el descubrimiento de catalizadores específicos de reacciones, enriqueciendo los conjuntos de candidatos en regiones de alto valor y baja densidad del espacio químico. El trabajo destaca el potencial de los modelos de difusión latente para manejar la complejidad de los sistemas de superficie periódicos y establece una base para la futura integración de descriptores de estabilidad y datos experimentales.