CatFlow 슬래브 흡착제 시스템 공동 생성

초록

CatFlow는 슬래브와 흡착제의 구조를 동시에 생성하는 흐름 매칭 기반 모델이다. 원시 셀 기반의 팩터화된 표현을 도입해 변수 수를 평균 9.2배 줄였으며, 표면 방향 정보를 명시적으로 보존한다. Open Catalyst 2020 데이터셋 실험에서 기존 자동회귀·시퀀스 모델보다 구조적 정확도와 에너지 분포 재현 능력이 크게 향상되었다.

상세 분석

본 논문은 이종 촉매 설계에서 가장 큰 난제 중 하나인 ‘슬래브‑흡착제 인터페이스’를 통합적으로 모델링하려는 시도이다. 기존의 결정 생성 모델(DiffCSP, CDVAE 등)은 벌크 결정만을 다루고, 슬래브를 만들기 위한 Miller 지수 선택이나 진공층 삽입 같은 후처리 과정을 별도로 수행해야 했다. 반면 CatFlow는 슬래브 자체와 흡착제 위치를 하나의 확률 모델 안에서 공동 생성한다는 점에서 차별화된다.

핵심 기술은 두 가지 흐름 매칭(flow matching) 기법을 결합한 것이다. 원자 종은 이산 흐름 매칭으로 마스크 토큰을 이용해 단계적으로 복원하고, 좌표·격자·진공 스케일링·변환 행렬 등 연속 변수는 연속 흐름 매칭을 통해 선형 보간된 확률 경로를 학습한다. 특히 변환 행렬 M을 실수값으로 완화(relax)함으로써 표면 방향을 연속적인 파라미터화하고, 이를 통해 다양한 Miller 지수를 자연스럽게 샘플링한다.

또한 ‘팩터화된 표현(factorized representation)’을 도입해 슬래브‑흡착제 시스템을 네 개의 컴포넌트(원시 셀, 변환 행렬, 진공 스케일링, 흡착제)로 분해한다. 원시 셀은 슬래브 전체 원자 수의 1/|det(M)|만을 포함하므로 학습 차원이 크게 감소한다. 논문에서는 평균 9.2배, 최악의 경우 96배까지 변수 수가 줄어들었음을 실험적으로 보여준다. 이 구조는 표면 방향 정보를 변환 행렬 M에 명시적으로 저장함으로써, 기존의 문자열 기반 토크나이저가 놓치기 쉬운 기하학적 제약을 보존한다.

학습 과정에서는 데이터 분포 q와 단순 가우시안 prior p₀ 사이를 t∈