Машинне навчання для прогнозування, які MOF реально можна створити в лабораторії Металоорганічні каркаси (MOF) — одні з найбільш налаштовуваних матеріалів, коли-небудь створених — пористі кристали, зібрані з металевих вузлів і органічних лінкерів, з застосуванням від зберігання газу до каталізу. З обчислювальної точки зору ми можемо генерувати трильйони можливих структур. Проблема в тому, що майже жоден із них не синтезується. З тисяч опублікованих скринінгів MOF лише близько десятка призвели до реального лабораторного синтезу, і навіть тоді хіміки зазвичай обирають «безпечні» конструкції, що нагадують відомі структури, а не обчислювально оптимальні. Андре Нійонгабо Рубунго та співавтори вирішують це вузьке місце трьома інгредієнтами: (1) MOFMinE — новий набір даних із майже мільйоном MOF з імітованими енергіями деформації та вільними енергіями для підмножини з 65 000 структур; (2) MOFSeq — послідовне представлення, яке кодує як локальні ознаки (SMILES будівельних блоків), так і глобальні ознаки (топологія та зв'язність); та (3) LLM-Prop — мовна модель з 35 мільйонами параметрів, попередньо навчена на даних про значну енергію деформації, а потім доопрацьована на дорожчих розрахунках вільної енергії. Результати вражають: середня абсолютна похибка 0,789 кДж/моль, 97% точності прогнозування синтезованості та 78% точність вибору правильного поліморфу серед конкуруючих структур. Навіть якщо два поліморфи відрізняються лише на 0,16 кДж/моль, модель все одно обирає правильний понад 60% випадків. Висновок практичний: те, що раніше вимагало днів молекулярної симуляції, тепер здійснює прямий прохід через нейронну мережу. Це відкриває шлях до регулярної фільтрації обчислювальних скринінгів MOF за прогнозованою синтезованістю — дозволяючи експериментаторам виходити за межі «інтуїтивних» проєктів у невивчені області хімічного простору, водночас підвищуючи ймовірність того, що те, що добре виглядає на комп'ютері, справді можна створити в лабораторії. Стаття: