実験室で実際に作れるMOFを予測するための機械学習 金属有機フレームワーク(MOFs)は、金属ノードや有機リンカーから組み立てられた多孔質結晶であり、ガス貯蔵から触媒に至るまで応用できる、最も柔軟な材料の一つです。計算的には、数兆もの可能な構造を生成できます。問題は、ほとんどが合成されないことです。これまでに発表された数千件のMOFスクリーニングのうち、実際に実験室合成に至ったのは約12件だけで、それでも化学者は計算的に最適なものよりも既知の構造に似た「安全な」設計を選ぶ傾向があります。 アンドレ・ニヨンガボ・ルブンゴらは、このボトルネックに3つの要素を用いて対処しています。(1) MOFMinE、約100万MOFから65,000構造のサブセットを対象にシミュレーションされたひずみエネルギーと自由エネルギーを持つ新たにキュレーションされたデータセット;(2) MOFSeq(局所的特徴(構成要素のSMILES)とグローバル特徴(位相および連結性)の両方を符号化する列表現;そして(3) LLM-Prop。これは豊富なひずみエネルギーデータで事前学習され、より高価な自由エネルギー計算で微調整された3500万パラメータの言語モデルです。 その結果は驚くべきもので、平均絶対誤差は0.789 kJ/mol、合成可能性の予測精度は97%、競合構造の中から正しいポリモーフを選ぶ確率は78%です。たとえ2つのポリモーフがわずか0.16 kJ/molの差であっても、モデルは60%以上の確率で正しいものを選びます。 その意味は実際的です。かつては数日の分子シミュレーションが必要だったものが、今ではニューラルネットワークを通過して前進する形で行われているのです。これにより、計算MOFスクリーニングを予測合成可能性で定期的にフィルタリングする道が開かれ、実験者が「直感的」な設計を超えて未探索の化学空間領域に挑戦できるようになりつつ、コンピュータ上で良い見た目のものが実際に実験室で作れる可能性も高められます。 論文: