打破GNN与语言模型间壁垒，图辅助多模态预训练框架用于催化剂筛选，登Nature子刊

本文介绍了卡内基梅隆大学研究人员开发的一种新型多模态预训练框架，旨在打破图神经网络（GNN）与语言模型之间的壁垒，以提高催化剂筛选中吸附构型能量预测的准确性。研究背景指出，尽管GNN在催化剂系统的能量预测中表现出色，但其依赖于精确的原子空间坐标，而语言模型则可以直接处理文本输入，但准确性有限。研究目的在于通过图辅助预训练方法，将GNN的潜在空间与语言模型对齐，从而提高能量预测的准确性。结论显示，该方法成功将吸附构型能量预测的平均绝对误差降低了7.4-9.8%，并展示了语言模型在无需精确几何信息的能量预测中的潜力。