MOFMeld : un cadre de fusion structure‑langage pour la prédiction des propriétés des MOF dans la capture du carbone

Pourquoi des matériaux plus intelligents comptent pour assainir l’air

Réduire les gaz à effet de serre comme le dioxyde de carbone est essentiel pour ralentir le réchauffement climatique, mais capturer efficacement le CO2 dans l’air et les rejets industriels reste très difficile. Une classe prometteuse de cristaux poreux appelés structures métalliques organiques (MOF) peut absorber le CO2 comme des éponges, pourtant seule une infime fraction des MOF possibles a été testée. Cet article présente MOFMeld, un nouveau système d’intelligence artificielle qui aide les chercheurs à parcourir beaucoup plus rapidement et de façon plus transparente d’immenses ensembles de MOF candidats en combinant ce que nous disent les mesures de laboratoire, les modèles informatiques et la littérature scientifique.

Du défi climatique à la recherche de matériaux

Les technologies de capture du carbone, y compris les usines de capture directe dans l’air, dépendent de matériaux capables d’adsorber fortement le CO2, de le relâcher ensuite avec peu d’énergie, et de résister à un usage répété dans des conditions humides et réelles. Les MOF sont attrayants parce que leurs blocs de construction peuvent être combinés pour ajuster la taille des pores, la surface spécifique et la chimie. Cependant, tester chaque conception expérimentalement ou par des simulations informatiques lourdes est lent et coûteux. La plupart des données disponibles sont dispersées dans des milliers d’articles, souvent enfouies dans le texte et les figures plutôt que dans des bases de données bien organisées. En conséquence, une grande partie de notre connaissance durement acquise sur quels MOF fonctionnent bien — et pourquoi — reste sous‑utilisée.

Mélanger la structure et le langage scientifique

MOFMeld s’attaque à ce problème en mariant deux forces de l’IA. D’un côté, il utilise un grand modèle de langage, appelé MOFLLaMA, spécialement entraîné sur environ 1 500 articles MOF–CO2 et plus de 20 000 paires question–réponse extraites de ces articles. Ce modèle de langage est en outre ancré dans un « graphe de connaissances » qui relie les MOF aux propriétés expérimentales et aux détails de synthèse rapportés, de sorte que ses réponses peuvent être retracées jusqu’à des sources plutôt que d’être devinées. De l’autre côté, MOFMeld emploie un réseau neuronal basé sur des graphes qui lit la véritable disposition atomique tridimensionnelle d’un cristal de MOF, transformant son réseau de pores et sa connectivité en un empreinte numérique compacte. Un module-pont léger relie ensuite ces empreintes au modèle de langage pour que le système puisse répondre à des questions et faire des prédictions tout en tenant compte de la structure cristalline réelle.

Prédire l’efficacité des MOF pour capter le carbone

Les auteurs ont testé MOFMeld sur une grande collection de MOF hypothétiques aux propriétés calculées par ordinateur. Le système devait prédire six grandeurs importantes : deux mesures de la taille des pores, la surface spécifique globale, la fraction de vide du solide, et la capture de CO2 à la fois à pression modérée et à très basse pression. Bien que MOFMeld n’ait été entraîné que sur environ 30 000 structures — bien moins que les modèles classiques basés uniquement sur des graphes — il a égalé ou surpassé de solides réseaux neuronaux « structure‑seule » sur la plupart des cibles. En particulier, il s’est montré très précis pour des caractéristiques géométriques comme la taille des pores et la porosité, et il s’est distingué pour prédire la capture de CO2 à basse pression, où la performance dépend de sites de liaison chimique subtils plutôt que du simple volume de pore global.

Tests sur des matériaux réels et observation interne du modèle

Pour évaluer le comportement de MOFMeld au‑delà des structures simulées, l’équipe l’a appliqué à des milliers de MOF rapportés expérimentalement à partir d’une base de données sélectionnée. Le système a classé les candidats selon la capture de CO2 prédite, et lorsque le groupe de tête a été vérifié par des simulations détaillées, beaucoup ont effectivement montré une forte capacité de capture. Bien que les erreurs numériques aient été plus grandes que dans l’ensemble de test purement hypothétique — reflétant la chimie plus vaste et plus désordonnée des MOF réels — l’outil a quand même orienté l’attention vers des matériaux prometteurs. Les auteurs ont également visualisé les représentations internes apprises par le module‑pont. Les MOF ayant une porosité similaire se sont regroupés de manière cohérente, et lorsque les signaux structurels alimentant le modèle de langage ont été perturbés, la qualité des prédictions a chuté. Cela suggère que le modèle s’appuie réellement sur des indices structurels significatifs plutôt que de simplement mémoriser des motifs textuels.

Ce que cela signifie pour la capture du carbone à l’avenir

En termes pratiques, MOFMeld agit comme un assistant de recherche spécialisé qui non seulement lit la littérature sur les MOF mais « voit » aussi l’architecture interne de chaque cristal, puis combine ces deux perspectives pour estimer combien bien un matériau retiendra le CO2. En étant précis, relativement économe en données et interprétable, il offre une manière évolutive de concentrer les expériences et les simulations plus coûteuses sur les candidats les plus prometteurs. Bien que des travaux supplémentaires soient nécessaires pour mieux gérer la diversité complète des MOF réels et des requêtes utilisateur plus naturelles, ce cadre montre la voie vers des outils plus intelligents et informés par la littérature qui peuvent accélérer la découverte de matériaux avancés pour la capture du carbone et, en fin de compte, aider à mettre plus rapidement sur le marché des technologies plus propres.

Citation: 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

Mots-clés: matériaux de capture du carbone, structures métalliques organiques (MOF), apprentissage automatique pour les matériaux, grands modèles de langage, fusion structure‑langage