Maskininlärning för att förutsäga vilka MOFs som faktiskt kan tillverkas i labbet Metallorganiska ramverk (MOF) är bland de mest justerbara material som någonsin skapats – porösa kristaller sammansatta av metallnoder och organiska länkare, med tillämpningar från gaslagring till katalys. Beräkningsmässigt kan vi generera biljoner möjliga strukturer. Problemet är att nästan ingen av dem syntetiseras. Av tusentals MOF-screeningar som publicerats hittills har endast ett dussin lett till faktisk laboratoriesyntes, och även då tenderar kemister att välja "säkra" designer som liknar kända strukturer snarare än de beräkningsmässigt optimala. Andre Niyongabo Rubungo och medförfattare tar sig an denna flaskhals med tre ingredienser: (1) MOFMinE, en nykurerad datamängd med nästan en miljon MOFs med simulerade töjningsenergier och fria energier för en undermängd med 65 000 strukturer; (2) MOFSeq, en sekvensrepresentation som kodar både lokala funktioner (SMILES av byggstenar) och globala egenskaper (topologi och konnektivitet); och (3) LLM-Prop, en språkmodell med 35 miljoner parametrar förtränad på data om riklig töjningsenergi, och sedan finjusterad på de dyrare fria energiberäkningarna. Resultaten är slående: ett medelabsolut fel på 0,789 kJ/mol, 97 % noggrannhet i förutsägbarhet av syntes och 78 % noggrannhet i val av rätt polymorf bland konkurrerande strukturer. Även när två polymorfer skiljer sig med bara 0,16 kJ/mol, väljer modellen fortfarande rätt alternativ över 60 % av gångerna. Implikationen är praktisk: det som en gång krävde dagar av molekylär simulering tar nu en framåtpassage genom ett neuralt nätverk. Detta öppnar en väg för att rutinmässigt filtrera beräkningsmässiga MOF-screeningar efter förutsagd syntesbarhet – vilket låter experimentalister våga sig bortom "intuitiösa" designer och in i outforskade områden av det kemiska rummet, samtidigt som chansen att det som ser bra ut på datorn faktiskt kan tillverkas i laboratoriet. Papper: