Aprendizaje automático para predecir qué MOFs pueden realmente fabricarse en el laboratorio Los marcos metal-orgánicos (MOFs) están entre los materiales más ajustables jamás creados: cristales porosos ensamblados a partir de nodos metálicos y enlaces orgánicos, con aplicaciones que van desde el almacenamiento de gas hasta la catálisis. Computacionalmente, podemos generar billones de posibles estructuras. El problema es que casi ninguna se sintetiza. De miles de cribados MOF publicados hasta la fecha, solo una docena ha llevado a una síntesis real en laboratorio, y aun así, los químicos tienden a elegir diseños "seguros" que se asemejan a estructuras conocidas en lugar de a los óptimos computacionalmente. Andre Niyongabo Rubungo y sus coautores abordan este cuello de botella con tres ingredientes: (1) MOFMinE, un conjunto de datos recién seleccionado de casi un millón de MOFs con energías de deformación simuladas y energías libres para un subconjunto de 65.000 estructuras; (2) MOFSeq, una representación de secuencia que codifica tanto características locales (SMILES de bloques de construcción) como características globales (topología y conectividad); y (3) LLM-Prop, un modelo de lenguaje de 35 millones de parámetros preentrenado con abundantes datos de energía de deformación, y luego ajustado en los cálculos de energía libre más costosos. Los resultados son llamativos: un error absoluto medio de 0,789 kJ/mol, un 97% de precisión en la predicción de la síntesis y un 78% de precisión en la selección del polimorfo correcto entre estructuras competidoras. Incluso cuando dos polimorfos difieren solo 0,16 kJ/mol, el modelo sigue eligiendo el correcto más del 60% de las veces. La implicación es práctica: lo que antes requería días de simulación molecular ahora pasa hacia adelante a través de una red neuronal. Esto abre un camino para filtrar rutinariamente los cribados computacionales de MOF según la síntesis predicha—permitiendo a los experimentadores aventurarse más allá de los diseños "intuidos" hacia regiones inexploradas del espacio químico, mientras mejora las probabilidades de que lo que parece bien en el ordenador pueda realmente fabricarse en el laboratorio. Papel: