MOFGPT: Diseño generativo de estructuras metálicas orgánicas utilizando modelos de lenguaje

Área de la Ciencia:

• Química de los materiales
• Ciencias de los materiales computacionales
• Inteligencia artificial en la química

Sus antecedentes:

• El descubrimiento de estructuras metal-orgánicas (MOF) con propiedades a medida es un desafío debido a su gran complejidad estructural.
• Los métodos computacionales tradicionales como el DFT son precisos pero demasiado lentos para la detección a gran escala.
• El aprendizaje automático (ML) ofrece una alternativa basada en datos para acelerar el descubrimiento de materiales.

Objetivo del estudio:

• Desarrollar un marco novedoso y escalable para el diseño de novo de MOF utilizando técnicas avanzadas de IA.
• Para abordar los desafíos planteados por la complejidad de MOF en el modelado generativo.
• Acelerar el descubrimiento de MOF sintetizables con los atributos funcionales deseados.

Principales métodos:

• Se desarrolló un marco generativo basado en transformadores mejorado por aprendizaje por refuerzo (RL).
• Se utilizó una representación de cadenas informada químicamente, MOFid, para codificar la conectividad y la topología de MOF.
• La tubería integra un generador basado en GPT, un predictor de propiedades del transformador (MOFormer) y un módulo de optimización RL.

Principales resultados:

• El marco genera con éxito MOFs topológicamente válidos y sintetizables.
• Las funciones de recompensa guiadas por propiedades en el módulo RL optimizan los candidatos MOF generados.
• El enfoque demuestra un diseño inverso eficiente de los MOF con propiedades específicas.

Conclusiones:

• Los grandes modelos de lenguaje junto con el aprendizaje por refuerzo pueden acelerar significativamente el diseño inverso en la química reticular.
• Este enfoque impulsado por la IA abre nuevas posibilidades para el descubrimiento computacional de MOF.
• La representación MOFid permite un modelado generativo escalable y efectivo para materiales complejos.