FAIR Chemistry 电催化机器学习筛选新

背景

用 DFT 做电催化筛选计算昂贵：每个候选表面-吸附构型都要弛豫加能量求值。面对合金与掺杂组合空间，DFT 预算很快见底。

技术方案

• 在 OC20 弛豫数据上训练 GNN 模型（GemNet-OC、eSCN、EquiformerV2）
• 用 ML 弛豫替代 DFT 弛豫循环，仅对入围候选做最终 DFT 验证
• 同一模型支撑反应表面上的动力学轨迹

公开报告的收益

• 吸附能与弛豫任务相较 DFT 获得数量级加速
• 精度目标由 OC20 的 IS2RE/IS2RS 指标定义

适用场景

• ORR/OER/HER 合金催化剂成分筛选
• 大规模吸附构型枚举
• 把 DFT 精修预算集中到头部候选

资源

• FAIR Chemistry 仓库（含预训练 checkpoint）
• 介绍数据集构建与指标的 Open Catalyst 系列论文