MOFMeld: a structure–language fusion framework for MOF property prediction in carbon capture

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This paper presents a novel structure–language fusion method for MOF property prediction, relevant for those working on machine learning for materials discovery in carbon capture.

効率的な炭素回収には、高いCO2親和性、安定性、および低い再生エネルギーを兼ね備えた収着剤が必要である。金属–有機構造体（MOF）は有望な候補であるが、その効率的なスクリーニングは依然として大きな課題である：性能は結晶トポロジーによって支配されるが、関連データは文献全体に散在しており、従来の実験的または計算的手法は時間集約的でデータが限られている。この課題に対処するため、我々はMOFMeldを紹介する。これは、文献に基づくMOF特化型大規模言語モデル（MOFLLaMA）と、軽量ブリッジモジュールを介した結晶認識型構造埋め込みを統合する構造–言語融合フレームワークである。MOFLLaMAは、LLaMA-3.1-8B-Instructを、約1500件の出版物から抽出された約20,000組のMOF質問応答ペアによる教師あり微調整によって適応させたものであり、推論時にはMOF知識グラフに基づいて、事実に基づく追跡可能な推論をサポートする。構造情報はCIFファイルからエンコードされ、言語空間に整列されることで、構造条件付きの質問応答と物性予測を可能にする。細孔径制限直径、最大空洞直径、表面積、空隙率、および2.5 barと0.01 barでのCO2吸着量という6つの主要ターゲットにわたって評価したところ、MOFMeldは、大幅に少ないトレーニングデータにもかかわらず、強力なグラフニューラルネットワーク（GNN）ベースラインと同等またはそれ以上の精度を達成した。UMAP解析により、学習された埋め込み内の構造–物性関係の一貫した組織化が明らかになり、モデルの解釈可能性が向上する。自動化された文献パイプラインにより、継続的な知識更新も可能になる。総合すると、MOFMeldは、炭素回収用途における文献認識型かつ構造情報に基づくMOFスクリーニングへの、スケーラブルで透明性のある経路を提供する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Efficient carbon capture requires sorbents that combine high CO2 affinity, stability, and low regeneration energy. While metal–organic frameworks (MOFs) are promising candidates, their efficient screening remains a significant challenge: performance is governed by crystal topology, yet relevant data is scattered across the literature, and conventional experimental or computational methods are time-intensive and data-limited. To address this, we introduce MOFMeld, a structure–language fusion framework that integrates a literature-grounded, MOF-specialized large language model (MOFLLaMA) with crystal-aware structural embeddings via a lightweight bridge module. MOFLLaMA is adapted from LLaMA-3.1-8B-Instruct by supervised fine-tuning on ~20,000 MOF question-answer pairs distilled from ~1500 publications and, at inference, is grounded by a MOF knowledge graph to support factual, traceable reasoning. Structural information is encoded from CIF files and aligned to the language space, enabling structure-conditioned question answering and property prediction. Evaluated across six key targets—pore-limiting diameter, largest cavity diameter, surface area, void fraction, and CO2 uptake at 2.5 and 0.01 bar—MOFMeld achieves competitive or superior accuracy to a strong graph neural network (GNN) baseline despite substantially less training data. UMAP analyses reveal coherent organization of structure–property relationships within the learned embeddings, enhancing model interpretability. An automated literature pipeline further enables continual knowledge updates. Collectively, MOFMeld offers a scalable and transparent pathway toward literature-aware, structure-informed MOF screening for carbon capture applications.

• openalex https://doi.org/10.1038/s44387-026-00106-1first seen 2026-05-17 06:32:06 · last seen 2026-06-05 05:20:39