准确率达97%，普林斯顿大学等提出MOFSeq-LMM，高效预测MOFs能否被合成

来自普林斯顿大学和科罗拉多矿业学院的联合研究团队提出了一种基于机器学习的高效预测方法，利用大语言模型直接从 MOFs 的结构序列 预测自由能，从而显著降低计算成本，实现高通量、可扩展的 MOFs 热力学评估。 金属有机框架（Metal–Organic Frameworks, MOFs）因其高度可调的孔结构和丰富的化学功能性，在气体存储、分离、催化以及药物传递等应用中展现出 巨大潜力。然而，MOFs 庞大的设计空间涵盖了数万亿种可能的构建模块组合，仅依靠实验探索效率极低。 为了加速 MOFs 的发现，计算流程应运而生，旨在生成新型 MOFs、预测其性质，并最终实现合成。在这一过程中，主要挑战集中于「筛选到合成」的低 转化率，这在很大程度上源于计算机生成 MOFs 的合成可行性存在不确定性。例如，到目前为止已发表的数千个计算 MOFs 筛选中，仅约十余个伴随有 MOFs 合成。 自由能是评估 MOFs 热力学稳定性和可合成性的重要指标，但传统的计算方法在大规模 MOFs 数据集上代价高昂，难以支持快速筛选。针对这一挑战， 来自普林斯顿大学和科罗拉多矿业学院的联合研究团队提出了一种基于机器学习的高效预测方法，利用大 ...