CatRetriever: Contrastive Representation Learning for Slab-to-Bulk Retrieval in Generative Catalyst Discovery

Resumo Técnico: CatRetriever para Recuperação de Slab-para-Bulk na Descoberta de Catalisadores Generativos

Declaração do Problema
O campo da descoberta de catalisadores heterogêneos está utilizando cada vez mais modelos de IA generativa para propor novas estruturas de superfície-adsorvato. No entanto, existe um gargalo crítico: esses modelos operam ao nível de "slab" (representação de superfície) e não fornecem a estrutura cristalina "bulk" (volume) pai correspondente. Essa omissão impede a avaliação rigorosa de propriedades dependentes do bulk, essenciais para a implementação prática, incluindo energia de formação, energia de superfície, simetria cristalográfica e sintetizabilidade. Embora a inferência de slab-para-bulk seja necessária para avaliar a plausibilidade termodinâmica e a estabilidade de fase, os métodos existentes dependem de buscas ineficientes em bancos de dados ou falham em abordar a natureza não única da mapeamento, onde um único motivo de superfície pode corresponder a múltiplos candidatos bulk quimicamente ou estruturalmente similares.

Metodologia
Para enfrentar isso, os autores introduzem o CatRetriever, um modelo de aprendizado de representação contrastiva projetado para alinhar representações de cristais de slab e bulk em um espaço latente compartilhado.

• Construção de Dados: Um espaço de busca de recuperação foi construído usando o banco de dados Materials Project, filtrado para estruturas bulk binárias e ternárias com energias de formação abaixo de 0 eV/átomo e energia acima do hull ($E_{hull}$) abaixo de 0,1 eV/átomo, resultando em 38.901 candidatos bulk. Destes, 1.384.140 estruturas de slab foram geradas para superfícies de índice de Miller baixo.
• Arquitetura do Modelo: O CatRetriever utiliza o modelo universal pré-treinado para átomos (UMA; uma-s-1p1) como um backbone congelado para extrair embeddings estruturais tanto para entradas de bulk quanto de slab. Esses embeddings são agrupados em vetores de comprimento fixo e passados por cabeças de projeção separadas para mapeá-los em um espaço latente compartilhado ($Z_s$ para slabs, $Z_b$ para bulks).
• Estratégia de Treinamento: O modelo é treinado usando uma formulação de aprendizado contrastivo. Para um determinado slab de consulta, o bulk pai verdadeiro é definido como um par positivo, enquanto todos os outros candidatos bulk no pool servem como pares negativos implícitos. O objetivo é maximizar a pontuação de similaridade ($r(s, b) = Z_s^T Z_b$, equivalente à similaridade de cosseno) para pares correspondentes, enquanto minimiza a similaridade para pares não correspondentes.
• Pipeline de Descoberta: Os autores propõem um fluxo de trabalho de ponta a ponta que integra:
  1. Geração Condicionada ao Alvo: Usando o CatGPT para gerar estruturas de slab-adsorvato guiadas por alvos específicos de energia de adsorção (ex: energia de adsorção de N* de −0,90 eV para decomposição de amônia).
  2. Recuperação: Usando o CatRetriever para classificar candidatos bulk pai do banco de dados Materials Project (MP).
  3. Expansão do Espaço de Busca: Para consultas onde as pontuações de recuperação do MP são insuficientes, o modelo generativo MatterGen é empregado para criar novos candidatos bulk dentro do mesmo sistema químico, que são então reclassificados pelo CatRetriever.
  4. Validação: Candidatos finais passam por análise de distribuição de energia de adsorção usando o UMA para verificar se o bulk pai expõe sítios de superfície com a força de ligação desejada.

Principais Resultados

• Desempenho de Recuperação: O CatRetriever demonstra alta precisão na recuperação do bulk pai correto a partir de uma consulta de slab. Em um conjunto de teste de distribuição interna, ele atinge um Recall@1 (R@1) de 91,9% e um Recall@3 (R@3) de 98,8%. Crucialmente, mantém uma generalização robusta em um conjunto de holdout (contendo estruturas bulk inteiramente excluídas do treinamento), alcançando R@1 de 91,5% e R@3 de 98,9%.
• Qualidade da Representação: O espaço de embedding aprendido separa efetivamente pares slab-bulk correspondentes de candidatos não correspondentes, com pontuações de similaridade positiva ($s_{pos}$) claramente deslocadas para valores mais altos do que as pontuações negativas ($s_{neg}$).
• Eficácia do Pipeline: Um estudo de caso visando a decomposição térmica de amônia identificou com sucesso candidatos bulk plausíveis. Para consultas onde o banco de dados MP apresentou baixas pontuações de recuperação, o MatterGen expandiu com sucesso o espaço de busca, gerando candidatos que excederam o limiar de pontuação de recuperação em 65% dos casos anteriormente não correspondidos.
• Validação Termodinâmica e Funcional: O fluxo de trabalho conectou com sucesso slabs gerados a estruturas bulk (ex: NbS recuperado do MP e Ca$_3$Cd gerado pelo MatterGen) que eram ambos termodinamicamente estáveis (baixo $E_{hull}$) e capazes de expor sítios de superfície com energias de adsorção dentro da janela alvo (−1,00 a −0,80 eV).

Significância e Alegações
O artigo afirma que o CatRetriever fornece uma solução escalável e modular para a "conexão faltante slab-para-bulk" na descoberta de catalisadores generativos. Ao enquadrar o problema como uma tarefa de recuperação em vez de uma classificação estrita, o modelo acomoda a natureza não única inerente da inferência slab-para-bulk. Os autores afirmam que esta abordagem permite a transição de modelos de superfície puramente generativos para fluxos de trabalho de descoberta fisicamente fundamentados. Especificamente, o framework permite que pesquisadores:

1. Selecionem rapidamente candidatos bulk pai plausíveis para motivos de superfície gerados.
2. Avaliem propriedades termodinâmicas dependentes do bulk (estabilidade, sintetizabilidade) que não podem ser inferidas de slabs isolados.
3. Validem sistematicamente se um bulk candidato pode reproduzir a atividade catalítica alvo através de diversos ambientes de superfície.

O trabalho conclui que, embora os modelos generativos atuais se destaquem no design de superfícies, a integração do CatRetriever e da expansão generativa do espaço de busca é essencial para preencher a lacuna entre as estruturas de superfície geradas e candidatos de catalisador viáveis e verificados via bulk. Os autores reconhecem limitações, observando que o fluxo de trabalho atual é um framework de recuperação pós-geração e não um gerador conjunto, e que a generalização para espaços químicos inteiramente ausentes da distribuição de treinamento permanece um desafio em aberto.