Catalyst Diffusion Transformer: Generative Inverse Design of Heterogeneous Catalysts

Resumo Técnico: CatDiT (Catalyst Diffusion Transformer)

Definição do Problema
A descoberta de catalisadores heterogêneos é dificultada por um vasto espaço de design combinatório que envolve composição, facetas superficiais, identidade do adsorbato e cobertura. As abordagens computacionais tradicionais dependem da triagem de bibliotecas predefinidas de estruturas conhecidas, o que limita a exploração aos espaços químicos existentes e falha em abordar o problema do design inverso: gerar estruturas que satisfaçam restrições funcionais específicas. Embora modelos generativos tenham mostrado promessa em moléculas e cristais, estendê-los para catalisadores heterogêneos é desafiador devido à complexidade dos sistemas de placa-adsorbato (dezenas a centenas de átomos) e à necessidade de condicionamento simultâneo em múltiplas propriedades (ex: tipo de adsorbato, energia de ligação, classe do catalisador). Os métodos existentes são frequentemente restritos ao condicionamento de propriedade única, espaços químicos estreitos (ex: apenas ligas) ou carecem de um framework unificado para gerar estruturas válidas e novas através de diversas classes de catalisadores.

Metodologia
Os autores propõem o CatDiT (Catalyst Diffusion Transformer), um framework de difusão latente unificado projetado para o design inverso de catalisadores heterogêneos. A arquitetura consiste em duas etapas principais:

1. Aprendizado de Representação Latente (VAE): Um Autoencoder Variacional (VAE) codifica estruturas de catalisadores em um espaço latente compacto e SE(3)-equivariante. O codificador utiliza o EquiformerV2 para garantir a equivariância geométrica, lidando com a natureza periódica dos sistemas de placa-adsorbato. A representação de entrada inclui uma tupla $(L, A, F, T)$ composta por parâmetros de rede, tipos atômicos, coordenadas fracionárias e uma etiqueta atômica que distingue átomos do subsuperfície fixos, átomos da superfície livre e adsorbatos.
2. Modelagem Generativa (DiT): Um Diffusion Transformer (DiT) realiza o flow matching dentro do espaço latente aprendido para gerar novas estruturas. Esta abordagem evita as proibições computacionais da difusão direta de coordenadas atômicas para sistemas grandes.
3. Geração Condicional: O modelo suporta o condicionamento simultâneo em três variáveis discretas/contínuas: tipo de adsorbato, classe do catalisador (ex: intermetálico, óxido, haleto) e energia de ligação. O condicionamento é alcançado via Guia Livre de Classificador (CFG), onde os rótulos de propriedades são injetados como embeddings. Durante o treinamento, os rótulos são descartados aleatoriamente para permitir a geração incondicional e condicional.

Principais Contribuições

• Framework Unificado: O CatDiT é o primeiro framework que unifica o condicionamento de múltiplas propriedades (discretas e contínuas) para catalisadores heterogêneos, abrangendo um amplo espaço químico, desde ligas intermetálicas até superfícies de óxidos.
• Difusão Latente para Placas (Slabs): Ao empregar representações latentes SE(3)-equivariantes e flow matching, o modelo alcança estado da arte em validade estrutural e unicidade, mantendo a estabilidade durante a relaxação, superando problemas de escalabilidade da difusão direta baseada em coordenadas.
• Controle Multi-Condicional: O modelo demonstra a capacidade de direcionar a geração para adsorbatos específicos, classes de catalisadores e regimes de energia de ligação alvo, oferecendo controle direcional sobre propriedades contínuas e alta fidelidade para propriedades discretas.

Resultados

• Qualidade de Geração: Comparado ao CatGPT e CatFlow, o CatDiT alcança um desempenho superior com 98,32% de validade estrutural e 99,26% de unicidade. Também exibe a menor mudança média de energia de relaxação ($\Delta E_{sys} \approx 23,0$ eV), indicando que as estruturas geradas estão mais próximas de mínimos locais do que os modelos de base.
• Exploração do Espaço Químico: O modelo gera estruturas com alta cobertura da distribuição de verdade fundamental (OC20/OC22), ao mesmo tempo que introduz variações inéditas. Aproximadamente 10,2% das estruturas geradas possuem composições novas com correspondências de bulk quase estáveis no Materials Project, e muitas exibem novidade estrutural ($d_{AMD} > 0$) mesmo compartilhando composições com o conjunto de treinamento.
• Desempenho Condicional:
  • Variáveis Discretas: Para o condicionamento de classe de catalisador, a fidelidade excede 98,7% em cinco classes (intermetálico, metaloide, não-metal, haleto, óxido). Para o condicionamento de adsorbato (64 espécies), a fidelidade é alta para espécies monoatômicas (>70%), mas diminui para moléculas maiores devido ao aumento dos graus de liberdade estruturais e complexidade de isômeros.
  • Variáveis Contínuas: O modelo fornece controle direcional sobre a energia de adsorção ($E_{ads}$). Embora a precisão varie, até 36% das amostras caem dentro de uma tolerância de $\pm 0,5$ eV na região rica em dados ($-4$a$+2$ eV).
• Aplicação à Reação de Redução de Nitrogênio (NRR): Em uma tarefa de geração multi-condicional visando a adsorção de N a $-1,0$ eV, o modelo produziu candidatos que quebram a linha de escala (scaling line) de N–H de metais puros. Após validação por DFT, 28 candidatos satisfizeram tanto a janela de atividade alvo quanto o critério de seletividade (situando-se acima da linha de escala). Isso representa um enriquecimento de ~1,5 vezes sobre a distribuição de origem, demonstrando a capacidade do modelo de concentrar candidatos em regimes relevantes para a reação.

Significância
O artigo posiciona o CatDiT como um passo prático e escalável em direção ao design inverso direcionado por propriedades na catálise heterogênea. Ao permitir a geração de estruturas válidas, diversas e novas sob restrições funcionais específicas, o CatDiT reduz a dependência de triagem exaustiva e enumeração por força bruta. Os autores enfatizam que, embora o modelo não garanta a sintetizabilidade experimental ou a estabilidade termodinâmica das placas geradas, ele serve como uma ferramenta de upstream poderosa para acelerar a descoberta de catalisadores específicos de reações, enriquecendo os pools de candidatos em regiões de alto valor e baixa densidade do espaço químico. O trabalho destaca o potencial dos modelos de difusão latente para lidar com a complexidade de sistemas de superfície periódicos e estabelece uma base para a futura integração de descritores de estabilidade e dados experimentais.