《AI》:Artificial Intelligence at the Intersection of Chemistry and Materials Science
Tomas Gregan and
Juraj Gregan
编辑推荐:
金属有机框架(Metal–Organic Frameworks, MOFs)是连接化学与材料科学的交叉研究体系,由金属离子与长链有机分子配位组装而成,具有高孔隙率与大比表面积特征,在气体存储、医疗应用等领域具备广泛应用潜力。近期研究表明,人工智能(Artifi
金属有机框架(Metal–Organic Frameworks, MOFs)是连接化学与材料科学的交叉研究体系,由金属离子与长链有机分子配位组装而成,具有高孔隙率与大比表面积特征,在气体存储、医疗应用等领域具备广泛应用潜力。近期研究表明,人工智能(Artificial Intelligence, AI)正在革新MOFs的发现与设计范式。尽管AI驱动方法在该领域已取得显著进展,但在数据质量保障、实验验证等环节仍面临诸多挑战。本视角文章中,研究人员梳理了MOFs领域的最新研究进展,并探讨了AI在这一跨学科领域中的核心作用。
本研究发表于《AI》期刊,聚焦于化学与材料科学交叉领域中人工智能与金属有机框架(MOFs)的融合研究。研究背景可追溯至近年AI技术的突破性进展:2024年诺贝尔物理学奖授予John J. Hopfield与Geoffrey Hinton,表彰其在人工神经网络机器学习领域的奠基性工作;同年诺贝尔化学奖授予David Baker、Demis Hassabis与John Jumper,以认可其在计算蛋白质设计与蛋白质结构预测方面的贡献;2025年诺贝尔化学奖则授予Susumu Kitagawa、Richard Robson与Omar M. Yaghi,表彰其开发MOFs的开创性成果。这些奖项凸显了基础研究与商业应用中MOFs及AI的重要性。当前,MOFs虽已在催化、太阳能转化、二氧化碳捕集及医疗等领域展现出解决气候变化与健康问题的潜力,但仍面临合成成本高、动态行为表征困难等瓶颈。传统材料发现依赖逐步合成化学、热力学控制与迭代实验优化,效率有限,而AI技术为加速MOFs发现与性能优化提供了新路径。研究人员通过开展系统性综述,旨在从生命科学视角总结AI应用于MOFs研究的进展、潜力与挑战,推动跨学科合作以催生创新性突破。
研究采用的关键技术方法包括:多模态图神经网络(Multimodal Graph Neural Network, MMAGNN)模型,整合MOFs分子图结构与原子三维坐标以预测二氧化碳吸附性能;基于强化学习(Reinforcement Learning)的AI代理框架,用于环境友好型MOFs的逆向设计;智能体AI系统MOFGen,模块化集成大语言模型、扩散模型、量子力学代理与合成可行性评估代理,实现新型MOFs的高效探索;以及文献驱动的MOF专用大语言模型MOF-ChemUnity,实现非结构化文献数据与晶体结构、计算数据集的关联分析。
2. MOFs—开端与研究现状
研究人员追溯了MOFs的发展历程:Richard Robson首次将带铜结合基团的双臂配体与铜离子组装成具有海绵状大孔腔的晶体结构,奠定了MOFs的基础;随后Susumu Kitagawa与Omar M. Yaghi等学者开发出稳定性更高、孔隙率更大的MOFs,实现了甲烷、氧气等分子的高效吸附。当前MOFs研究已实现理性设计,通过调控有机配体与金属节点可精准调节比表面积、孔径与化学反应活性,其单位质量内表面积可达足球场级别。部分MOFs表现出框架柔性,可在温度、压力、光照或孔内分子变化时发生可逆结构转变,但因四维动态行为的原子分辨率与超快现象表征难度大,其时间依赖性机制研究尚不充分。此外,多配体策略可引入不同官能团构建异质孔环境,周期性-非周期性复合结构则有望实现类似条形码的信息存储功能。商业化进程中,MOFs在水收集、气体捕集等领域的应用受限于高制造成本,而AI驱动的多目标优化框架可通过精准调控合成条件降低生产成本,加速技术转化。
3. 人工智能在MOFs研究中的应用:前景与挑战
研究人员指出,现有文献已报道超过10万种MOFs,但传统筛选方法难以高效识别特定应用场景的最优候选材料。AI技术通过整合分子模拟与机器学习,可缩小实验合成范围,显著提升发现效率。例如,AI2BMD系统实现了全原子生物分子的从头精度动力学模拟;图神经网络(Graph Neural Networks, GNNs)通过处理分子结构信息,已成功应用于MOFs性能预测,其中MMAGNN模型通过多模态设计减少冗余信息,提升了二氧化碳吸附预测的准确性。生成式AI与逆向设计成为新兴趋势,DeepMind正将AlphaFold的成功经验拓展至材料科学领域;基于强化学习的AI代理可自主设计适用于直接空气碳捕集的MOFs。智能体AI系统MOFGen通过模块化协作,已生成数十万种新型MOFs结构,并经实验验证其晶体结构与扩散模型预测结果一致,展现了低监督环境下的动态决策能力。
然而,AI应用仍面临多重挑战。数据质量是关键瓶颈,MOF数据库存在较高错误率,需遵循可发现、可访问、可互操作、可复现(Findable, Accessible, Interoperable, Reproducible, FAIR)原则完善数据共享标准,CoRE MOF数据库等策展数据集需持续更新。模型透明度与安全性亦引发关注,需建立AI模型评级体系以保障可复现性与可用性;强化学习代理的长期规划风险需通过Scientist AI等防护系统进行管控。此外,AI在科学问题设计、好奇心与想象力方面存在局限,需加强化学专家与AI研究者的跨学科沟通,发展多模态大语言模型(如L2M3OF)与自然语言交互工具(如ChatMOF),降低数据分析门槛。
讨论部分强调,AI虽能高效分析海量数据并加速MOFs发现,但其无法完全替代传统科研中概念推理、抽象理解与科学判断的核心作用。未来需推动AI与机器人技术融合,同时保留经时间检验的传统研究方法。研究结论表明,AI与MOFs知识的协同将革新材料设计与生产范式,智能体AI、预测性AI与量子计算的结合将进一步拓展该领域的边界,但需同步完善数据安全法规与伦理框架,以实现可持续的创新突破。