Meta-LegNet: framework AI prevede configurazioni di adsorbimento per la catalisi

I ricercatori hanno introdotto Meta-LegNet, un innovativo framework di apprendimento su grafi in grado di prevedere le configurazioni di adsorbimento sulle superfici dei catalizzatori senza i costosi calcoli della teoria del funzionale della densità. Questo modello integra il passaggio di messaggi equivariante SE(3) con aggregazione multiscala basata su voxel e meta-apprendimento cross-dominio, consentendo di apprendere rappresentazioni trasferibili tra vari sistemi catalizzatore-adsorbato. Affronta una sfida significativa nella catalisi computazionale: individuare i siti di adsorbimento a bassa energia che influenzano i percorsi di reazione e l'efficienza catalitica. I metodi tradizionali, come l'enumerazione e il raffinamento iterativo, sono troppo dispendiosi in termini di risorse per superfici complesse o scenari multi-adsorbato. Codificando direttamente gli ambienti di adsorbimento locali, Meta-LegNet elimina la necessità di fasi di rilassamento. Questo framework è stato descritto in un articolo su arXiv (2605.04102) e segna un progresso verso la progettazione scalabile e interpretabile di catalizzatori, concentrandosi sulla previsione dell'adsorbimento superficiale, essenziale per creare catalizzatori industriali più efficienti.