MOFMeld: ein Struktur–Sprache-Fusionsrahmen zur Vorhersage von MOF-Eigenschaften für die CO2-Abscheidung

Warum klügere Materialien für die Reinigung der Luft wichtig sind

Die Reduktion von Treibhausgasen wie Kohlendioxid ist wesentlich, um die globale Erwärmung zu verlangsamen. Gleichzeitig bleibt die effiziente Abscheidung von CO2 aus Luft und Industrieabgasen eine große Herausforderung. Eine vielversprechende Klasse poröser Kristalle, die metall–organischen Gerüste (MOFs), kann CO2 wie Schwämme aufnehmen, doch nur ein winziger Bruchteil möglicher MOFs wurde bisher getestet. Diese Arbeit stellt MOFMeld vor, ein neues KI-System, das Forschende dabei unterstützt, in riesigen Mengen von MOF-Kandidaten schneller und transparenter zu suchen, indem es Laborergebnisse, Computermodelle und die wissenschaftliche Literatur kombiniert.

Vom Klimaproblem zur Materialsuche

Technologien zur CO2-Abscheidung, einschließlich Direktluftabscheidungsanlagen, hängen von speziellen Materialien ab, die CO2 stark binden, sich mit geringem Energieaufwand wieder entladen lassen und wiederholter Nutzung unter feuchten, realen Bedingungen standhalten. MOFs sind attraktiv, weil ihre Bausteine kombiniert werden können, um Porengröße, Oberfläche und Chemie gezielt anzupassen. Das experimentelle Testen jeder Entwurfsvariante oder der Einsatz aufwändiger Computersimulationen ist jedoch langsam und teuer. Die meisten verfügbaren Daten sind über tausende Publikationen verstreut und oft in Texten und Abbildungen versteckt statt in aufgeräumten Datenbanken. Infolgedessen bleibt ein großer Teil unseres hart erarbeiteten Wissens darüber, welche MOFs gut funktionieren — und warum — untergenutzt.

Struktur mit wissenschaftlicher Sprache verbinden

MOFMeld geht dieses Problem an, indem es zwei KI-Stärken vereint. Einerseits nutzt es ein großes Sprachmodell namens MOFLLaMA, das speziell mit etwa 1.500 MOF–CO2-Publikationen und mehr als 20.000 daraus destillierten Frage–Antwort-Paaren trainiert wurde. Dieses Sprachmodell ist zusätzlich in einen Wissensgraphen eingebettet, der MOFs mit experimentell berichteten Eigenschaften und Synthesedetails verknüpft, sodass seine Antworten auf Quellen zurückverfolgt werden können statt nur geraten zu sein. Andererseits verwendet MOFMeld ein graphbasiertes neuronales Netzwerk, das die tatsächliche dreidimensionale atomare Anordnung eines MOF-Kristalls liest und dessen Porennetzwerk und Konnektivität in einen kompakten numerischen Fingerabdruck übersetzt. Ein leichtgewichtiges „Brücken“-Modul verbindet diese Fingerabdrücke mit dem Sprachmodell, sodass das System Fragen beantworten und Vorhersagen treffen kann, wobei es die tatsächliche Kristallstruktur berücksichtigt.

Vorhersage der CO2-Aufnahmeleistung von MOFs

Die Autoren testeten MOFMeld an einer großen Sammlung hypothetischer MOFs mit bekannten computerberechneten Eigenschaften. Das System sollte sechs wichtige Größen vorhersagen: zwei Maße für Porengröße, die Gesamtoberfläche, wie viel Leerraum der Feststoff enthält, sowie die CO2-Aufnahme bei mittlerem und sehr niedrigem Druck. Obwohl MOFMeld nur an etwa 30.000 Strukturen trainiert wurde — deutlich weniger als traditionelle graphbasierte Modelle — erreichte es bei den meisten Zielgrößen eine vergleichbare oder bessere Leistung als starke, rein strukturbasierte neuronale Netzwerke. Besonders genau war es bei geometrischen Merkmalen wie Porengrößen und Porosität und es zeichnete sich bei der Vorhersage der CO2-Aufnahme bei niedrigem Druck aus, wo die Leistung von feinen chemischen Bindungsstellen abhängt und nicht nur vom Gesamtporenvolumen.

Tests an realen Materialien und Einblicke ins Modell

Um zu prüfen, wie MOFMeld außerhalb simulierten Strukturen funktioniert, wandten die Forschenden es auf tausende experimentell berichtete MOFs aus einer kuratierten Datenbank an. Das System sortierte Kandidaten nach vorhergesagter CO2-Aufnahme; bei einer Nachprüfung der Top-Gruppe mit detaillierten Simulationen zeigten viele tatsächlich eine hohe Abschirmkapazität. Die numerischen Fehler waren zwar größer als im rein hypothetischen Testsatz — was die vielfältigere und unordentlichere Chemie realer MOFs widerspiegelt —, doch das Werkzeug lenkte weiterhin die Aufmerksamkeit auf vielversprechende Materialien. Die Autoren visualisierten außerdem die internen Repräsentationen, die das Brückenmodul gelernt hatte. MOFs mit ähnlicher Porosität gruppierten sich zusammen, und wenn die Strukturinformationen, die ins Sprachmodell fließen, gestört wurden, brach die Vorhersagequalität ein. Das deutet darauf hin, dass das Modell tatsächlich auf aussagekräftige Strukturhinweise setzt und nicht nur Textmuster auswendig gelernt hat.

Was das für die künftige CO2-Abscheidung bedeutet

Alltagsnah ausgedrückt wirkt MOFMeld wie ein spezialisierter Forschungsassistent, der nicht nur die MOF-Literatur liest, sondern auch die innere Architektur jedes Kristalls „sieht“ und beide Perspektiven kombiniert, um abzuschätzen, wie gut ein Material CO2 einfängt. Indem es genau, relativ daten-effizient und interpretierbar ist, bietet es einen skalierbaren Weg, Experimente und aufwändigere Simulationen auf die vielversprechendsten Kandidaten zu lenken. Zwar sind weitere Arbeiten nötig, um die volle Vielfalt realer MOFs und natürlichere Nutzeranfragen besser abzudecken, doch das Framework weist in Richtung klügerer, literaturbewusster Werkzeuge, die die Entdeckung fortschrittlicher Materialien für die CO2-Abscheidung beschleunigen und letztlich helfen können, sauberere Technologien schneller auf den Markt zu bringen.

Zitation: You, H., Zhang, S., Du, L. et al. MOFMeld: a structure–language fusion framework for MOF property prediction in carbon capture. npj Artif. Intell. 2, 47 (2026). https://doi.org/10.1038/s44387-026-00106-1

Schlüsselwörter: Materialien zur CO2-Abscheidung, metall–organische Gerüste, maschinelles Lernen für Materialien, große Sprachmodelle, Struktur–Sprache-Fusion