Diffusion Sampling of Adsorbate Configurations on Catalyst Surfaces

Motivation

• Known: 기존 데이터 기반 방법(AdsorbML, AdsorbDiff 등)은 OC20류의 조밀한 per-system 배치 라벨에 지도학습되며, 대부분 흡착물의 global rigid-body translation과 rotation만을 탐색 공간으로 제한하고 내부 conformer 자유도는 다루지 않는다.
• Gap: 조밀한 배치 라벨은 획득 비용이 크고 데이터셋 규모가 제한적이어서 지도학습 기반 배치 학습의 확장성을 제한하며, 기존 방법들은 rigid-body 자유도만 탐색해 내부 conformer 자유도를 포함한 전체 흡착물 좌표 공간을 다루지 못한다는 근본적 한계가 있다.
• Why: 신뢰도 높은 흡착 에너지 추정은 촉매 스크리닝의 핵심 병목인 다봉형(multimodal) 저에너지 배치 탐색 문제를 해결해야 가능하므로, 라벨 없이 MLIP 에너지만으로 다양한 저에너지 후보를 샘플링할 수 있는 방법은 촉매 발견 파이프라인의 확장성과 정확도를 동시에 높일 수 있다.
• Approach: 흡착물 배치를 사전학습된 MLIP 에너지가 유도하는 unnormalized Boltzmann density로부터의 conditional sampling 문제로 정식화하고, source, controller, differentiable restraint potentials을 흡착물-표면 기하에 맞춰 설계한 diffusion sampler(AdsorbSample)로 이를 학습한다.

Achievement

Figure 2. Structural Coverage. COV-R and COV-P metrics for

1. 조밀 라벨 불필요한 정식화: 흡착물 배치를 MLIP 에너지 기반 조건부 Boltzmann sampling으로 재정의하여 per-system dense placement label 요구를 제거함.\n2. 전체 좌표 공간 탐색: rigid-body 자유도를 넘어 내부 conformer 자유도까지 포함하는 전체 adsorbate 좌표 공간에 대한 energy-trained conditional diffusion sampler를 최초로 제시함.\n3. 물리적 타당성 유도: desorption, severe atomic overlap, intercalation을 억제하는 differentiable restraint potentials를 학습 단계에 도입해 proposal 단계에서 비물리적 구성을 억제함.\n4. 벤치마크 성능: OC20-Dense 벤치마크에서 여러 sample budget에 걸쳐 MLIP- 및 DFT-verified success rate 최고 성능을 달성했고, 구조적 validity와 diversity에서도 경쟁력 있는 결과를 보임.

How

Figure 3. Atom colors: O red, N blue, H pink, Ni gray, Te yellow.

• 시스템을 constrained bulk atoms(C), unconstrained surface atoms(S), adsorbate atoms(A)로 분할하고 frozen-slab approximation 하에서 adsorbate 좌표 XA만을 샘플링 변수로 설정.\n- adsorbate molecular graph GA를 조건으로 포함해 conformer 정보(예: 이성질체 구분)를 제공.\n- 사전학습된 MLIP Eθ를 이용해 differentiable surrogate energy를 정의하고, 이를 통해 conditional Boltzmann target πτ(XA|c) ∝ exp[-Ẽ(XA;c)/τ]를 유도.\n- 최근 diffusion sampler 방법론(Zhang & Chen, 2021; Vargas et al., 2023; Akhound-Sadegh et al., 2024; Havens et al., 2025; Liu et al., 2025)을 계승해, Flow Sampling objective(Havens et al., 2026)를 채택하여 unnormalized density로부터 conditional denoising target을 학습.\n- source, controller, restraint potential을 흡착물-표면 기하에 특화되게 설계해 desorption, overlap, intercalation을 학습 단계에서 억제.\n- OC20 convention을 따라 anomaly 기반 validity 기준(desorption, dissociation, surface reconstruction, intercalation)으로 생성 구조를 검증하고, OC20-Dense 벤치마크에서 MLIP relaxation 및 DFT verification을 통해 success rate, validity, diversity(COV-R, COV-P 등)를 평가.

Originality

• 흡착물 배치를 지도학습 문제가 아닌 MLIP 에너지 기반 conditional Boltzmann sampling 문제로 재정식화한 최초의 접근으로 보임.\n- rigid-body 제약을 벗어나 내부 conformer 자유도까지 포함하는 전체 좌표 공간을 다루는 첫 energy-trained conditional diffusion sampler를 제시.\n- 흡착물-표면 특유의 기하학적 이상(desorption, overlap, intercalation)을 억제하도록 설계된 differentiable restraint potentials를 학습 단계에 통합한 점이 독창적임.

Limitation & Further Study

• frozen-slab approximation을 채택해 샘플링 중 slab 자체의 relaxation을 고려하지 않으므로, 실제 흡착 과정에서 발생하는 surface reconstruction 효과를 완전히 반영하지 못할 수 있음.\n- 성능이 사전학습된 MLIP의 정확도에 의존하며, MLIP가 학습 분포를 벗어난 화학 공간에서는 에너지 근사 오류가 전파될 위험이 있음.\n- 온도 τ 선택이 global minimum 집중과 metastable basin 커버리지 간 트레이드오프에 영향을 미치는데, 이에 대한 체계적 분석이나 자동 선택 전략이 제한적으로 보임(발췌 부분 기준).\n- 후속 연구로는 slab 자유도까지 포함하는 co-generation, 다양한 MLIP 백본에 대한 일반화 검증, 더 넓은 화학종에 대한 확장성 평가가 필요함.

Evaluation

총평: 조밀 라벨 없이 MLIP 에너지만으로 흡착물 배치의 전체 좌표 공간을 탐색하는 diffusion sampler를 제시한 참신하고 실용적인 연구로, OC20-Dense에서의 강력한 검증 결과가 이를 뒷받침한다. 다만 frozen-slab 가정과 MLIP 의존성에 대한 추가적 분석이 향후 보강되면 더욱 완성도가 높아질 것이다.