CatalyticMLLM：统一多模态大模型实现催化材料属性预测与逆向设计的闭环优化

本文介绍QE-Catalytic-V2，一个统一图-文本多模态大语言模型，通过共享表示空间整合催化材料的属性预测与逆向设计，解决传统解耦范式的表示不一致、分布偏移等问题，实现闭环优化并超越解耦基线，为材料科学智能化转型提供工具。

在催化材料研究中，属性预测与逆向设计传统上分离，虽便于'生成-评估-筛选'流程，但表示空间和训练目标不一致导致数据分布偏移、评估器偏差，限制闭环优化稳定性。核心问题包括：表示不一致、分布偏移、评估偏差、优化不稳定。

QE-Catalytic-V2采用图-文本多模态架构，处理三维结构（CIF格式）和文本信息，共享表示空间。具备双向能力：正向预测（结构→性能）、逆向生成（性能→结构）。实现闭环优化流程：逆向设计→属性预测→智能筛选→迭代优化。技术亮点：物理可行性保证（化学合理性、晶体学约束、能量稳定性）、端到端训练（同时优化预测与生成）。

实验表明：预测性能上，统一范式显著降低催化弛豫能预测误差；设计质量上，生成结构满足性能要求且多样性、合理性更好；闭环稳定性上，迭代优化误差累积减轻，优于解耦方法。

该工作可加速材料发现（快速筛选、指导实验、发现新型材料），跨领域迁移至电池、光电材料、药物分子等领域，推动AI4Science发展，提供新方法论参考。

QE-Catalytic-V2解决了属性预测与逆向设计分离问题，验证了统一范式优势。未来方向：扩展材料类别与性能指标、引入实验反馈、结合分子动力学模拟、开发交互式界面。