Transformador predispuesto generativo para catalizadores heterogéneos

Área de la Ciencia:

• Química
• Ciencias de los materiales
• Inteligencia artificial

Sus antecedentes:

• El descubrimiento de nuevos materiales es crucial para la química y la ciencia de los materiales.
• Los métodos tradicionales como el ensayo y el error y el aprendizaje automático se utilizan para el diseño de materiales.
• Los modelos de lenguaje basados en transformadores son prometedores para generar nuevas estructuras de materiales.

Objetivo del estudio:

• Introducir el transformador generativo de catalizador preentrenado (CatGPT) para el descubrimiento de catalizadores inorgánicos.
• Demostrar la capacidad de CatGPT para generar estructuras de catalizadores válidas y precisas.
• Mostrar la flexibilidad de CatGPT para generar tipos específicos de catalizadores a través del acondicionamiento de texto y el ajuste fino.

Principales métodos:

• Entrenó un modelo de lenguaje basado en transformadores (CatGPT) en un gran conjunto de datos de estructuras de catalizadores inorgánicos.
• Utilizó el acondicionamiento de texto y el ajuste fino para guiar la generación de catalizadores.
• Aplicación de un ajuste fino a un conjunto de datos de un catalizador de aleación binaria para el cribado de la reacción de reducción de oxígeno (ORR).

Principales resultados:

• CatGPT genera con éxito estructuras de catalizadores inorgánicos válidas y precisas.
• El modelo demuestra un alto rendimiento en la expansión del espacio químico para los materiales.
• El ajuste fino permitió la generación de catalizadores especializados para la reacción de reducción de oxígeno de dos electrones (2e-ORR).

Conclusiones:

• Los modelos de lenguaje generativo, como CatGPT, son herramientas poderosas para acelerar el descubrimiento de catalizadores.
• CatGPT ofrece un modelo básico para explorar diversas estructuras de catalizadores.
• Este enfoque tiene un potencial significativo para descubrir nuevos materiales con las propiedades deseadas.