Apprendimento automatico per prevedere quali MOF possono effettivamente essere realizzati in laboratorio I framework metal-organici (MOF) sono tra i materiali più sintonizzabili mai creati: cristalli porosi assemblati da nodi metallici e leganti organici, con applicazioni che vanno dallo stoccaggio di gas alla catalisi. A livello computazionale, possiamo generare trilioni di possibili strutture. Il problema è che quasi nessuna di esse viene sintetizzata. Di migliaia di screening di MOF pubblicati fino ad oggi, solo una dozzina ha portato a una reale sintesi in laboratorio, e anche in quel caso, i chimici tendono a scegliere design "sicuri" che somigliano a strutture conosciute piuttosto che a quelle ottimali dal punto di vista computazionale. Andre Niyongabo Rubungo e i coautori affrontano questo collo di bottiglia con tre ingredienti: (1) MOFMinE, un dataset recentemente curato di quasi un milione di MOF con energie di deformazione simulate e energie libere per un sottoinsieme di 65.000 strutture; (2) MOFSeq, una rappresentazione sequenziale che codifica sia le caratteristiche locali (SMILES dei blocchi costitutivi) sia le caratteristiche globali (topologia e connettività); e (3) LLM-Prop, un modello linguistico con 35 milioni di parametri pre-addestrato sui dati abbondanti di energia di deformazione, poi affinato sui calcoli di energia libera più costosi. I risultati sono sorprendenti: un errore assoluto medio di 0.789 kJ/mol, il 97% di accuratezza nella previsione della sintetizzabilità e il 78% di accuratezza nella selezione del corretto polimorfo tra strutture concorrenti. Anche quando due polimorfi differiscono solo di 0.16 kJ/mol, il modello sceglie comunque quello giusto oltre il 60% delle volte. L'implicazione è pratica: ciò che una volta richiedeva giorni di simulazione molecolare ora richiede un passaggio diretto attraverso una rete neurale. Questo apre un percorso per filtrare regolarmente gli screening computazionali di MOF in base alla sintetizzabilità prevista, permettendo agli sperimentatori di avventurarsi oltre i design "intuitivi" in regioni inesplorate dello spazio chimico, migliorando comunque le probabilità che ciò che sembra buono al computer possa effettivamente essere realizzato in laboratorio. Articolo: