Matter：生成式人工智能驅動MOF設計與合成

金屬有機框架（Metal-Organic Frameworks, MOFs）是由無機金屬節點（次級構建單元，SBUs）與有機連接體通過配位鍵自組裝形成的晶態多孔材料，其模塊化的網狀合成策略賦予了材料在原子尺度上的可編程性。自網狀化學概念提出以來，已有超過10萬種MOF結構被實驗合成并收錄于劍橋結構數據庫中，在碳捕集、清潔水處理、能源存儲和催化等領域展現出廣闊的應用前景。全球MOF市場持續擴大，年商業需求預計將達到數百噸規模，多家企業已將MOF作為固體吸附劑實現工業化部署。

然而，MOF化學空間的巨大多樣性既是優勢也是挑戰。通過替換構建單元和拓撲結構，研究者原則上可以創造近乎無窮的MOF組合，但從中篩選出滿足特定應用需求的最優材料，猶如在無限大的草垛中尋找一根針。早期的計算輔助方法主要依賴枚舉策略——將已知分子組件按允許的方式拼接成假想MOF數據庫進行篩選，但這種方法僅能探索化學空間的極小部分。據估計，已在計算機中預測的MOF結構數量已達數百萬級別，遠超實驗合成數量。如何智能地導航這一指數級增長的設計空間，發現具有變革性性能的MOF材料，成為該領域亟待解決的核心科學問題。

本文由Chenru Duan、Aditya Nandy和Zhiling Zheng等來自多個國際知名研究機構的學者聯合撰寫，系統梳理了生成式人工智能（Generative AI, GenAI）在MOF設計與合成中的最新進展，闡述了從傳統枚舉篩選向生成式建模的范式轉變，并展望了自主閉環發現管線的未來圖景。

本文系統闡明了生成式AI正在重塑MOF發現的方式——從傳統的窮舉枚舉和試錯實驗，轉向能夠自主提出、篩選并合成新型多孔網狀結構的智能范式。隨著深度生成模型、基礎模型和代理式AI系統的持續發展，結合更完善的數據基礎設施和物理-機器學習的深度融合，生成式AI有望構建真正自適應的材料發現管線，加速具有重大社會效益的網狀材料開發。

文章鏈接：https://doi.org/10.1016/j.matt.2026.102748

（來源：網絡版權屬原作者 謹致謝意）