研究团队提出了一种名为 AdsMT 的多模态 Transformer 框架，用于高效预测催化剂表面与吸附质之间的最低吸附能（GMAE）。该方法结合图结构和特征向量，利用跨模态注意力机制，简化了计算过程。AdsMT 在多个基准数据集上表现优异，展现出良好的泛化能力和可解释性，适合大规模催化剂筛选。

研究人员提出了一种图辅助预训练方法，将图神经网络与语言模型结合，以提高催化剂吸附能的预测准确性，减少了7.4-9.8%的预测误差，展示了语言模型在缺乏精确原子位置时的潜力。