準確率達97%，普林斯頓大學等提出MOFSeq-LMM，高效預測MOFs能否被合成
研究背景與目標
來自普林斯頓大學和科羅拉多礦業學院的聯合研究團隊提出了一種基於機器學習的高效預測方法，旨在解決金屬有機框架（MOFs）在實驗室合成前的可行性評估難題。
核心技術與方法
該團隊開發了名為MOFSeq-LMM的模型，利用大語言模型直接從MOFs的結構序列預測其自由能，從而顯著降低傳統計算成本，並實現高通量熱力學評估。
性能表現與優勢
- 模型在絕大多數MOFs樣本中均能給出接近真實值的預測結果。
- 預測準確率高達97%，大幅優於傳統方法。
- 通過機器學習技術，有效解決了計算機生成MOF設計是否具備實際合成可行性的不確定性問題。
應用前景
該方法可廣泛應用於材料科學領域，加速新型MOFs材料的篩選與開發，為實際合成提供可靠依據。