贺玉莲老师和EPFL的Philippe Schwaller教授共同通讯的论文 AdsGT: Graph Transformer for Predicting Global Minimum Adsorption Energy 投中了机器学习三大顶会之一NeurIPS 2023会议论文,该顶会接收率大概在20-30%,是计算机领域非常认可的顶级会议,这也是绿色催化实验室课题组在AI4S领域的第一篇交叉领域论文。
Abs:快速评估吸附物与催化剂表面之间的结合强度对于催化剂设计至关重要,其中全局最小吸附能(GMAE)是最具代表性的描述符之一。然而,催化剂表面通常具有多个吸附位点和许多可能的吸附构型,这使得使用密度泛函理论(DFT)计算GMAE的成本过高。此外,大多数机器学习方法只能预测局部最小吸附能,并依赖于吸附构型的信息。为了克服这些挑战,我们设计了一个图转换器(AdsGT),它可以基于表面图和吸附特征向量来预测GMAE,而不需要任何绑定的结构信息,并广泛评估了AdsGT的性能。