MOFMeld: en struktur–språk-fusionsram för MOF-egenskapsprognoser vid koldioxidavskiljning

Varför smartare material spelar roll för att rena luften

Att minska växthusgaser som koldioxid är avgörande för att bromsa den globala uppvärmningen, men att effektivt fånga in CO2 från luft och industriella avgaser är fortfarande mycket svårt. En lovande klass porösa kristaller, kallade metall-organiska ramverk (MOF), kan suga upp CO2 som svampar, men endast en liten del av de möjliga MOF har testats. Denna artikel presenterar MOFMeld, ett nytt artificiellt intelligenssystem som hjälper forskare att söka igenom stora mängder kandidat-MOF snabbare och mer transparent genom att kombinera vad vi vet från laboratoriemätningar, datorberäkningar och den vetenskapliga litteraturen.

Från klimatutmaning till material-sökning

Koldioxidavskiljningstekniker, inklusive anläggningar för direkt luftavskiljning, är beroende av specialmaterial som starkt kan fånga CO2, släppa det igen med liten energikostnad och tåla upprepad användning i fuktiga, verkliga miljöer. MOF är attraktiva eftersom deras byggstenar kan kombineras för att finjustera porstorlek, yta och kemi. Att testa varje design experimentellt eller med tunga dator-simuleringar är dock långsamt och dyrt. De flesta tillgängliga data är spridda över tusentals artiklar, ofta begravda i text och figurer snarare än i organiserade databaser. Som en följd används mycket av vår mödosamt förvärvade kunskap om vilka MOF som fungerar bra — och varför — inte fullt ut.

Att blanda struktur med vetenskapligt språk

MOFMeld angriper detta problem genom att förena två typer av AI-styrkor. Å ena sidan använder den en stor språkmodell, kallad MOFLLaMA, som särskilt tränats på cirka 1 500 MOF–CO2-artiklar och mer än 20 000 fråga–svar-par destillerade från dem. Denna språkmodell förankras vidare i en "kunskapsgraf" som länkar MOF till experimentellt rapporterade egenskaper och syntesdetaljer, så att dess svar kan spåras tillbaka till källor istället för att vara gissningar. Å andra sidan använder MOFMeld ett grafbaserat neuralt nätverk som läser den verkliga tredimensionella atomära uppbyggnaden av en MOF-kristall och omvandlar dess pornätverk och bindningar till ett kompakt numeriskt fingeravtryck. En lättviktig "bro"-modul kopplar sedan dessa fingeravtryck till språkmodellen så att systemet kan besvara frågor och göra prognoser samtidigt som den tar hänsyn till den faktiska kristallstrukturen.

Att förutsäga hur väl MOF fångar kol

Författarna testade MOFMeld på en stor samling hypotetiska MOF med kända datorberäknade egenskaper. Systemet fick i uppgift att förutsäga sex viktiga storheter: två mått på porstorlek, total yta, hur mycket tomrum materialet innehåller, samt CO2-upptag vid både måttliga och mycket låga tryck. Trots att MOFMeld tränades på endast omkring 30 000 strukturer — långt färre än traditionella grafbaserade modeller — matchade eller överträffade det starka struktur-enbara neurala nätverk för de flesta mål. Särskilt var det mycket noggrant för geometriska egenskaper som porstorlekar och porositet, och det utmärkte sig vid förutsägelsen av CO2-upptag vid lågt tryck, där prestanda beror på subtila kemiska bindningsställen snarare än endast total porvolym.

Testning på verkliga material och en titt in i modellen

För att se hur väl MOFMeld fungerar utanför simulerade strukturer använde teamet den på tusentals experimentellt rapporterade MOF från en kuraterad databas. Systemet rankade kandidater efter förutspått CO2-upptag, och när toppgruppen kontrollerades med detaljerade simuleringar visade många sig verkligen ha hög fångstkapacitet. Medan de numeriska felen var större än i den rent hypotetiska testuppsättningen — vilket speglar den bredare och rörigare kemin hos verkliga MOF — styrde verktyget fortfarande uppmärksamheten mot lovande material. Författarna visualiserade också de interna representationer som bro-modulen lärde sig. MOF med liknande porositet klustrade sig smidigt, och när de störde struktur-signalerna som matades in i språkmodellen minskade förutsägelsekvaliteten. Detta tyder på att modellen verkligen förlitar sig på meningsfulla strukturella ledtrådar snarare än bara att memorera textmönster.

Vad detta innebär för framtida koldioxidavskiljning

I vardagliga termer fungerar MOFMeld som en specialiserad forskningsassistent som inte bara läser MOF-litteraturen utan också "ser" varje kristalls interna arkitektur, och sedan kombinerar båda perspektiven för att gissa hur väl ett material kommer att fånga CO2. Genom att vara exakt, relativt dataeffektivt och tolkbart erbjuder det ett skalbart sätt att fokusera experiment och dyrare simuleringar på de mest lovande kandidaterna. Även om ytterligare arbete behövs för att bättre hantera den fulla mångfalden av verkliga MOF och mer naturliga användarfrågor, pekar ramverket mot smartare, litteraturmedvetna verktyg som kan påskynda upptäckten av avancerade material för koldioxidavskiljning och i slutändan hjälpa till att få renare teknologier ut på marknaden snabbare.

Citering: 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

Nyckelord: material för koldioxidavskiljning, metall-organiska ramverk, maskininlärning för material, stora språkmodeller, struktur–språk-fusion