机器学习用于预测哪些金属有机框架（MOFs）可以在实验室中实际合成 金属有机框架（MOFs）是迄今为止最可调的材料之一——由金属节点和有机连接体组装而成的多孔晶体，应用范围从气体储存到催化。通过计算，我们可以生成数万亿种可能的结构。问题在于，几乎没有一个能够被合成。在迄今为止发布的数千个MOF筛选中，只有大约十个导致了实际的实验室合成，即便如此，化学家们往往选择与已知结构相似的“安全”设计，而不是计算上最优的结构。 Andre Niyongabo Rubungo及其合著者通过三种成分解决了这一瓶颈：（1）MOFMinE，一个新整理的数据集，包含近一百万个MOF的模拟应变能和自由能，针对65,000个结构子集；（2）MOFSeq，一种序列表示法，编码了局部特征（构建块的SMILES）和全局特征（拓扑和连通性）；（3）LLM-Prop，一个拥有3500万参数的语言模型，预训练于丰富的应变能数据，然后在更昂贵的自由能计算上进行微调。 结果令人瞩目：平均绝对误差为0.789 kJ/mol，合成可行性预测的准确率为97%，在竞争结构中选择正确多晶型的准确率为78%。即使两个多晶型的差异仅为0.16 kJ/mol，模型仍然能在60%以上的情况下选择正确的一个。 这一结果的实际意义在于：过去需要数天的分子模拟，现在只需通过神经网络进行一次前向传播。这为常规过滤计算MOF筛选提供了一条路径，通过预测的合成可行性，让实验者能够超越“直觉”设计，进入化学空间的未探索区域，同时仍然提高计算机上看起来不错的结构在实验室中实际合成的可能性。 论文：