System of Agentic AI for the Discovery of Metal-Organic Frameworks
作者: Theo Jaffrelot Inizan, Sherry Yang, Aaron Kaplan, Yen-hsu Lin, Jian Yin, Saber Mirzaei, Mona Abdelgaid, Ali H. Alawadhi, KwangHwan Cho, Zhiling Zheng, Ekin Dogus Cubuk, Christian Borgs, Jennifer T. Chayes, Kristin A. Persson, Omar M. Yaghi
分类: cond-mat.mtrl-sci, cs.AI, cs.CL, cs.MA
发布日期: 2025-04-18
💡 一句话要点
提出Agentic AI系统MOFGen，加速金属有机框架材料的发现与合成。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 金属有机框架 材料发现 Agentic AI 生成模型 扩散模型
📋 核心要点
- 传统MOF材料发现面临化学空间巨大、合成难度高等挑战，限制了其在CO2捕获等领域的应用。
- MOFGen利用Agentic AI系统，结合大语言模型、扩散模型、量子力学和合成可行性评估，实现MOF材料的自动设计与筛选。
- 实验成功合成了五种由AI设计的MOF材料，验证了MOFGen方法的可行性与有效性，为自动化材料发现奠定基础。
📝 摘要（中文）
生成模型和机器学习有望加速金属有机框架（MOF）在CO2捕获和水收集方面的材料发现，但同时也面临着在巨大的化学空间中导航并确保可合成性的重大挑战。本文提出了MOFGen，一个Agentic AI系统，它由相互连接的智能体组成：一个大型语言模型，用于提出新颖的MOF组成；一个扩散模型，用于生成晶体结构；量子力学智能体，用于优化和过滤候选材料；以及合成可行性智能体，由专家规则和机器学习指导。MOFGen在所有实验报告的MOF和计算数据库上进行训练，生成了数十万种新颖的MOF结构和可合成的有机连接剂。通过高通量实验和五种“AI梦想”MOF的成功合成验证了我们的方法，代表着朝着自动化可合成材料发现迈出的重要一步。
🔬 方法详解
问题定义：论文旨在解决金属有机框架（MOF）材料发现过程中化学空间巨大、合成难度高的问题。现有方法难以有效导航庞大的化学空间，并且无法保证所设计MOF的可合成性，导致材料发现周期长、成本高。
核心思路：论文的核心思路是构建一个Agentic AI系统，该系统由多个相互协作的智能体组成，每个智能体负责不同的任务，例如MOF组成提议、结构生成、性质优化和合成可行性评估。通过智能体之间的协同工作，实现MOF材料的自动设计与筛选，从而加速材料发现过程。
技术框架：MOFGen系统包含以下主要模块： 1. 大语言模型（LLM）智能体：用于提出新颖的MOF组成，利用LLM的生成能力探索更广阔的化学空间。 2. 扩散模型智能体：用于生成MOF的晶体结构，将LLM提出的组成转化为具体的结构信息。 3. 量子力学智能体：用于优化和过滤候选MOF，通过量子力学计算评估MOF的性质，筛选出具有潜在应用价值的材料。 4. 合成可行性智能体：用于评估MOF的合成可行性，基于专家规则和机器学习模型，预测MOF的合成难度，避免设计难以合成的材料。
关键创新：MOFGen的关键创新在于其Agentic AI架构，将材料发现过程分解为多个独立的任务，并由不同的智能体负责。这种模块化的设计使得系统具有更高的灵活性和可扩展性，可以方便地集成新的智能体和算法。此外，MOFGen还结合了多种AI技术，包括LLM、扩散模型和机器学习，充分利用了各种技术的优势。
关键设计： * LLM智能体：使用在大量化学文本数据上预训练的LLM，并针对MOF材料的组成生成进行微调。 * 扩散模型智能体：使用条件扩散模型，以LLM提出的MOF组成为条件，生成对应的晶体结构。 * 量子力学智能体：使用密度泛函理论（DFT）计算MOF的电子结构和能量，评估其性质。 * 合成可行性智能体：使用专家规则和机器学习模型，基于MOF的结构和组成，预测其合成难度。
🖼️ 关键图片
📊 实验亮点
MOFGen成功生成了数十万种新颖的MOF结构和可合成的有机连接剂。通过高通量实验，成功合成了五种由AI设计的MOF材料，验证了该方法的可行性。这些“AI梦想”MOF的合成，标志着自动化材料发现取得了重要进展，为未来的材料设计提供了新的思路。
🎯 应用场景
该研究成果可应用于加速金属有机框架材料的发现，尤其是在CO2捕获、水收集、气体分离、催化等领域。通过自动化设计和筛选，可以快速找到具有特定性能的MOF材料，降低研发成本，加速新材料的商业化应用。未来，该方法有望扩展到其他材料体系，推动整个材料科学领域的发展。
📄 摘要（原文）
Generative models and machine learning promise accelerated material discovery in MOFs for CO2 capture and water harvesting but face significant challenges navigating vast chemical spaces while ensuring synthetizability. Here, we present MOFGen, a system of Agentic AI comprising interconnected agents: a large language model that proposes novel MOF compositions, a diffusion model that generates crystal structures, quantum mechanical agents that optimize and filter candidates, and synthetic-feasibility agents guided by expert rules and machine learning. Trained on all experimentally reported MOFs and computational databases, MOFGen generated hundreds of thousands of novel MOF structures and synthesizable organic linkers. Our methodology was validated through high-throughput experiments and the successful synthesis of five "AI-dreamt" MOFs, representing a major step toward automated synthesizable material discovery.