Aprendizagem de máquina para prever quais MOFs podem realmente ser feitos no laboratório Estruturas metal-orgânicas (MOFs) estão entre os materiais mais ajustáveis já criados—cristais porosos montados a partir de nós metálicos e ligantes orgânicos, com aplicações que vão desde armazenamento de gás até catálise. Computacionalmente, podemos gerar trilhões de estruturas possíveis. O problema é que quase nenhuma delas é sintetizada. De milhares de triagens de MOFs publicadas até agora, apenas cerca de uma dúzia resultou em síntese laboratorial real, e mesmo assim, os químicos tendem a escolher designs "seguros" que se assemelham a estruturas conhecidas em vez das que são computacionalmente ótimas. Andre Niyongabo Rubungo e coautores abordam este gargalo com três ingredientes: (1) MOFMinE, um novo conjunto de dados curado de quase um milhão de MOFs com energias de tensão simuladas e energias livres para um subconjunto de 65.000 estruturas; (2) MOFSeq, uma representação de sequência que codifica tanto características locais (SMILES dos blocos de construção) quanto características globais (topologia e conectividade); e (3) LLM-Prop, um modelo de linguagem de 35 milhões de parâmetros pré-treinado nos abundantes dados de energia de tensão, e depois ajustado nas mais caras cálculos de energia livre. Os resultados são impressionantes: um erro absoluto médio de 0.789 kJ/mol, 97% de precisão na previsão de sintetizabilidade, e 78% de precisão na seleção do polimorfo correto entre estruturas concorrentes. Mesmo quando dois polimorfos diferem apenas por 0.16 kJ/mol, o modelo ainda escolhe o correto mais de 60% das vezes. A implicação é prática: o que antes exigia dias de simulação molecular agora leva uma passagem direta por uma rede neural. Isso abre um caminho para filtrar rotineiramente triagens computacionais de MOFs pela sintetizabilidade prevista—permitindo que os experimentadores se aventurem além de designs "intuitivos" em regiões inexploradas do espaço químico, enquanto ainda melhoram as chances de que o que parece bom no computador possa realmente ser feito no laboratório. Artigo: