촉매 디퓨전 트랜스포머: 이종 촉매의 생성적 역설계

Catalyst Diffusion Transformer: Generative Inverse Design of Heterogeneous Catalysts

광대한 화학 설계 공간과 복잡하고 상호 의존적인 설계 변수 때문에 특정 특성을 갖는 촉매를 개발하는 것은 많은 노동력과 자원을 필요로 합니다. 생성 모델은 유망한 해결책으로 등장했지만, 기존 접근 방식은 일반적으로 단일 특성 조건 설정 또는 제한된 화학 공간에 국한되는 경향이 있습니다. 본 연구에서는 Catalyst Diffusion Transformer (CatDiT)라는 통합 프레임워크를 제시합니다. CatDiT는 금속 합금에서 산화물 표면에 이르기까지 유효하고 새로운 구조를 생성하여 촉매의 역설계를 수행합니다. CatDiT는 압축된 잠재적 표현을 학습함으로써 효율적인 훈련과 빠른 샘플링을 가능하게 하는 동시에, 흡착 물질 유형, 결합 에너지 및 촉매 종류에 대한 동시 조건 설정을 지원합니다. 이 모델은 개별적인 특성에 대한 신뢰성 있는 제어와 연속적인 특성에 대한 방향성 제어를 제공하며, 반응 특정 촉매 개발을 위한 후보군을 풍부하게 합니다. 대표적인 응용 사례로, 질소 환원 반응(NRR)에 대한 다중 조건 생성 결과, 목표 활성 범위 내에 위치하고 순수 금속의 *N-*H 스케일링 선 위에 있는 28개의 밀도 범함수 이론(DFT)으로 최적화된 합금 후보가 도출되었습니다. 이는 원본 분포보다 약 1.5배 더 풍부한 결과를 보여줍니다. 이러한 결과는 CatDiT를 특성 기반 촉매 역설계 및 목표 지향적인 촉매 생성에 대한 실용적이고 확장 가능한 접근 방식으로 확립합니다.

The vast chemical design space and complex, interdependent design variables make catalyst discovery for targeted properties highly labor- and resource-intensive. Although generative models have emerged as a promising solution, existing approaches are generally limited to single-property conditioning or narrow chemical spaces. Here, we present Catalyst Diffusion Transformer (CatDiT), a unified framework for inverse catalyst design that generates valid and novel structures ranging from intermetallic alloys to oxide surfaces. By learning compressed latent representations, CatDiT enables efficient training and rapid sampling while supporting simultaneous conditioning on adsorbate type, binding energy, and catalyst class. The model provides reliable control of discrete properties and directional control of continuous properties, enriching candidate pools for reaction-specific catalyst discovery. As a representative application, multi-conditional generation for the nitrogen reduction reaction (NRR) yields 28 density functional theory (DFT)-relaxed alloy candidates that satisfy the target activity window and lie above the pure-metal *N-*H scaling line, corresponding to a ~1.5-fold enrichment over the source distribution. These results establish CatDiT as a practical and scalable approach for property-directed catalyst inverse design and targeted catalyst generation.