MOFormer: Modelo de transformador auto-supervisado para la predicción de las propiedades del marco metálico-orgánico

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• Las estructuras metal-orgánicas (MOF) poseen una alta porosidad, lo que permite diversas aplicaciones.
• El vasto espacio químico de los MOF requiere una selección eficiente para el descubrimiento óptimo de materiales.
• Los métodos actuales de detección de alto rendimiento, como DFT, son computacionalmente intensivos y requieren estructuras en 3D.

Objetivo del estudio:

• Proponer un nuevo método de aprendizaje profundo agnóstico de la estructura para la predicción acelerada de la propiedad MOF.
• Para eludir la necesidad de estructuras atómicas en 3D en la evaluación de MOFs hipotéticos.
• Mejorar la eficiencia y la precisión del cribado de MOF para aplicaciones específicas.

Principales métodos:

• Desarrolló MOFormer, un modelo de aprendizaje profundo basado en Transformer para la predicción de propiedades MOF.
• Utilizó un enfoque agnóstico de la estructura, tomando representaciones de cadenas de texto MOF (MOFid) como entrada.
• Se introdujo un marco de aprendizaje auto-supervisado para entrenar previamente a MOFormer utilizando más de 400 mil datos públicos de MOF, correlacionando representaciones basadas en estructuras y estructuras.

Principales resultados:

• MOFormer logró una precisión de predicción agnóstica de la estructura de última generación en comparación con los descriptores existentes.
• El entrenamiento previo del modelo MOFormer mejoró significativamente la precisión de la predicción para las tareas posteriores.
• MOFormer demostró una eficiencia de datos superior para la predicción de propiedades químicas cuánticas en comparación con los modelos basados en estructuras como CGCNN, especialmente con datos limitados.

Conclusiones:

• MOFormer ofrece una perspectiva de aprendizaje profundo novedosa y eficiente para la predicción de propiedades MOF.
• El enfoque agnóstico de la estructura acelera el proceso de selección para descubrir nuevos MOF.
• El entrenamiento previo auto-supervisado mejora el rendimiento y la eficiencia de los datos de los modelos de predicción de propiedades MOF.