MOFMeld: платформа слияния структуры и языка для предсказания свойств МОФ в улавливании углерода

Почему умные материалы важны для очистки воздуха

Сокращение выбросов парниковых газов, таких как диоксид углерода, необходимо для замедления глобального потепления, однако эффективное улавливание CO2 из воздуха и промышленных газов по‑прежнему представляет собой сложную задачу. Многообещающий класс пористых кристаллов — металло‑органические каркасы (МОФ) — может поглощать CO2 подобно губкам, но испробована лишь крошечная доля возможных МОФ. В этой статье представлена MOFMeld — новая система искусственного интеллекта, которая помогает исследователям быстрее и прозрачнее просеивать огромный набор кандидатур МОФ, объединяя данные лабораторных измерений, компьютерных моделей и сведения из научной литературы.

От климатической задачи к поиску материалов

Технологии улавливания углерода, включая установки прямого захвата из воздуха, зависят от специальных материалов, которые могут сильно захватывать CO2, легко отпускать его при небольших энергозатратах и выдерживать многократное использование в влажных, реальных условиях. МОФ привлекательны тем, что их строительные блоки можно комбинировать для настройки размера пор, площади поверхности и химии. Тем не менее экспериментальное тестирование каждой конструкции или тяжелые компьютерные симуляции идут медленно и дорого. Большая часть доступных данных разбросана по тысячам статей и часто зарыта в тексте и рисунках, а не аккуратно собрана в базах данных. В результате значительная часть накопленных знаний о том, какие МОФ работают хорошо — и почему — остается недоиспользованной.

Слияние структуры с научным языком

MOFMeld решает эту задачу, сочетая два вида сильных сторон ИИ. С одной стороны, он использует большую языковую модель под названием MOFLLaMA, специально обученную на примерно 1500 статьях по МОФ–CO2 и более чем 20 000 парах «вопрос–ответ», выделенных из них. Эта языковая модель дополнительно связана с «графом знаний», который связывает МОФ с экспериментально сообщаемыми свойствами и деталями синтеза, так что ее ответы можно отследить до источников, а не полагаться на догадки. С другой стороны, MOFMeld применяет графовую нейронную сеть, которая считывает истинную трёхмерную атомную структуру кристалла МОФ, превращая сеть пор и соединений в компактный числовой отпечаток. Легковесный «мостовой» модуль затем соединяет эти отпечатки с языковой моделью, чтобы система могла отвечать на вопросы и делать предсказания с учётом реальной кристаллической структуры.

Предсказание эффективности захвата углерода МОФ

Авторы протестировали MOFMeld на большой коллекции гипотетических МОФ с известными вычисленными свойствами. Системе предлагалось предсказать шесть ключевых величин: два показателя размера пор, общую площадь поверхности, долю пустого объёма в твердом теле и поглощение CO2 при умеренном и при очень низком давлении. Несмотря на то, что MOFMeld обучали примерно на 30 000 структурах — значительно меньшем наборе, чем у традиционных моделей на графах — он сравнялся с сильными моделями, использующими только структуру, или превзошёл их по большинству целей. Особенно точным он оказался в предсказании геометрических характеристик, таких как размеры пор и пористость, и выделился в прогнозировании захвата CO2 при низком давлении, где производительность зависит от тонких химических участков связывания, а не только от общего объёма пор.

Тестирование на реальных материалах и заглядывание внутрь модели

Чтобы проверить поведение MOFMeld за пределами смоделированных структур, команда применила его к тысячам экспериментально зарегистрированных МОФ из кураторской базы данных. Система ранжировала кандидатов по предсказанному поглощению CO2, и когда группу лидеров проверили детальными симуляциями, многие действительно показали высокую ёмкость захвата. Хотя численные ошибки были больше, чем в чисто гипотетическом наборе — что отражает более широкую и запутанную химию реальных МОФ — инструмент всё равно направлял внимание на многообещающие материалы. Авторы также визуализировали внутренние представления, изученные мостовым модулем. МОФ с похожей пористостью сгруппировались плавно, а при нарушении передаваемых в языковую модель структурных сигналов качество предсказаний падало. Это указывает на то, что модель действительно опирается на значимые структурные подсказки, а не просто запоминает текстовые шаблоны.

Что это значит для будущего улавливания углерода

Проще говоря, MOFMeld действует как специализированный исследовательский помощник, который не только «читает» литературу по МОФ, но и «видит» внутреннюю архитектуру каждого кристалла, затем сочетает оба взгляда, чтобы предсказать, насколько материал будет удерживать CO2. Благодаря точности, относительной эффективности в использовании данных и интерпретируемости он предлагает масштабируемый способ сосредоточить эксперименты и более дорогие симуляции на наиболее перспективных кандидатах. Хотя требуется дальнейшая работа для лучшей обработки полного разнообразия реальных МОФ и более естественных пользовательских запросов, эта рамочная концепция указывает путь к более умным, учитывающим литературу инструментам, которые могут ускорить открытие продвинутых материалов для улавливания углерода и, в конечном счёте, помочь быстрее вывести более чистые технологии на рынок.

Цитирование: 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

Ключевые слова: материалы для улавливания углерода, металло‑органические каркасы, машинное обучение для материалов, большие языковые модели, слияние структуры и языка