Koneoppiminen ennustaa, mitkä MOF:t voidaan oikeasti tehdä laboratoriossa Metalli-orgaaniset kehykset (MOFit) ovat yksi säädettävimmistä koskaan valmistetuista materiaaleista—huokoisia kiteitä, jotka on koottu metallisolmuista ja orgaanisista linkkeistä, ja niiden sovelluksia on kaasuvarastoinnista katalyysiin. Laskennallisesti voimme tuottaa biljoonia mahdollisia rakenteita. Ongelma on, että lähes mikään niistä ei syntetisoida. Tuhansista tähän mennessä julkaistuista MOF-seulonnoista, vain noin tusina on johtanut varsinaiseen laboratoriosynteesiin, ja silti kemistit valitsevat usein "turvallisia" malleja, jotka muistuttavat tunnettuja rakenteita laskennallisesti optimaalisten sijaan. Andre Niyongabo Rubungo ja hänen kanssakirjoittajansa käsittelevät tätä pullonkaulaa kolmella ainesosalla: (1) MOFMinE, vastikään kuratoitu aineisto, jossa on lähes miljoona MOF:ia, joissa on simuloituja jännitys- ja vapaaenergioita 65 000 rakenteen osajoukolle; (2) MOFSeq, sekvenssiesitys, joka koodaa sekä paikallisia piirteitä (rakennuspalikoiden SMILES) että globaaleja piirteitä (topologia ja yhteys); ja (3) LLM-Prop, 35 miljoonan parametrin kielimalli, joka on esikoulutettu runsaan venymäenergian datalla ja hienosäädetty kalliimpiin vapaan energian laskelmiin. Tulokset ovat vaikuttavia: keskimääräinen absoluuttinen virhe 0,789 kJ/mol, 97 % tarkkuus syntetisoinnin ennustamisessa ja 78 % tarkkuus oikean polymorfin valinnassa kilpailevien rakenteiden joukossa. Vaikka kaksi polymorfia eroaisi vain 0,16 kJ/mol toisistaan, malli valitsee silti oikean 60 % tapauksista. Johtopäätös on käytännöllinen: se, mikä ennen vaati päiviä molekyylisimulaatiota, siirtyy nyt eteenpäin neuroverkon läpi. Tämä avaa tien laskennallisten MOF-seulontojen rutiininomaiseen suodatukseen ennustetun syntetisoituvuuden avulla—antaen kokeellisten tutkijoiden siirtyä "intuitiivisten" suunnitelmien ulkopuolelle kemiallisen tilan tutkimattomiin alueisiin, samalla kun se parantaa mahdollisuuksia, että tietokoneella hyvältä näyttävät asiat voidaan oikeasti valmistaa laboratoriossa. Artikkeli: