CatalyticMLLM：面向催化材料的图-文本多模态大语言模型

催化材料的性质预测与逆向结构设计通常被建模为两个独立任务：前者从给定结构预测目标性质，后者根据期望性质生成候选结构。尽管解耦范式便于实施“生成—评估—筛选”工作流，但生成模型与性质预测模型在表示空间和训练目标上的不一致，容易引入数据分布偏移和评估器偏差，从而限制闭环优化的稳定性。在本工作中，我们提出CatalyticMLLM，一个面向催化材料的统一图-文本多模态大语言模型，它在同一模型和共享表示空间中整合了性质预测与逆向设计。在该统一框架下，CatalyticMLLM不仅能利用三维结构和文本信息进行可靠的性质预测，还能以目标性质为条件生成并筛选物理可行的CIF候选，从而形成“逆向设计—预测—筛选—再设计”的闭环优化工作流。实验结果表明，该统一范式在催化弛豫能预测和逆向设计任务上均优于解耦基线，验证了在单一多模态模型中联合建模性质预测与结构生成的有效性。