Nature子刊，EPFL与上海交大用多模态Transformer精准预测全局最低吸附能，助力催化剂设计

本文介绍了洛桑联邦理工学院与上海交通大学联合提出的多模态Transformer框架AdsMT，用于高效预测催化剂表面与吸附质之间的全局最低吸附能（GMAE）。传统基于密度泛函理论（DFT）的计算方法成本高昂，而AdsMT通过跨模态注意力机制捕捉吸附质与表面原子之间的复杂交互，避免了穷举计算。研究团队构建了三个基准数据集评估AdsMT的性能，结果显示其在预测精度和效率上均优于现有方法。此外，AdsMT还展现出良好的可解释性和不确定性量化能力，为大规模催化剂虚拟筛选提供了高效工具。未来，AdsMT可与机器学习势函数和DFT联合应用，进一步优化催化剂设计流程。