使用 大语言模型 试剂进行金属有机框架的可解释逆向设计

金属有机框架（MOF）的逆向设计需要使用昂贵的属性标签和不透明的机器学习模型来导航组合空间。我们引入了 LLM4MOF，这是一个闭环多智能体框架，可将自然语言目标转换为化学假设、约束、诊断测试和反馈。一个智能体提出了关于金属节点、连接体、孔隙几何形状和功能的可解释假设。另一种方法将它们转换为选择由节点、链接器和拓扑定义的 MOF 的约束。媒人形成四个光束，将增益归因于几何、化学或金属选择：完整假设、化学、仅金属和随机基线。 LLM4MOF 不考虑数据库环境，在 400 项评估中丰富了六项吸附、分离和电子结构任务的最佳表现。它还设计并实时模拟涵盖 H2 存储、SF6 捕获和 C2H6/C2H4 分离的从头 MOF，为每个目标导出独特的设计规则。在相同的名义评估预算下，它始终优于随机搜索、贝叶斯优化和遗传算法，并且结果对语言模型后端不敏感。所有这些都不使用单个属性标记的训练结构，而生成替代方案则对数千到数十万个进行训练。新目标只需要自然语言请求：可解释的逆向设计，而数据成本仅为现有方法的一小部分。