大语言模型智能体加速面向气体分离的金属有机框架逆向设计

摘要

金属有机框架（MOF）为吸附式气体分离提供高度模块化的平台，但其巨大的网状设计空间使逆向设计难以同时满足化学有效性、分离性能与结构多样性约束。我们提出LEMO Agent：一个在MOFid空间对气体分离MOF做闭环逆向设计的LLM智能体框架。LEMO Agent把语言候选生成与MOFid标准化、显式有效性检查、基于Transformer的性质预测、结构化设计记忆与多岛探索耦合。经迭代“生成—验证—评估—记忆”循环，智能体利用成功与失败候选的反馈引导化学约束下的搜索——覆盖连接体、金属与拓扑选择。我们在CH₄/N₂与CO₂/N₂分离任务上评估：相较代表性生成式、优化式与智能体基线，LEMO Agent富集高性能候选、改善预测分离性能，并保持宽泛的化学与拓扑多样性。选出的候选进一步经重构、GCMC模拟评估，并按化学可行性与配体可购性经实验降选工作流，最终进入初步湿法合成与SEM表征。结果表明LLM智能体可作为可解释、可扩展的设计引擎，加速超越传统固定库筛选的MOF发现。

大语言模型智能体加速面向气体分离的金属有机框架逆向设计：论文配图 — 图 1：拟议的 LEMO 代理概述。一个。 LEMO Agent的总体方案：LEMO Agent将MOF逆设计制定为MOFid空间中的闭环设计过程。给定目标，代理集成参考 MOF、领域知识、结构化内存、验证工具和属性预测器，以提出有效的 MOFid 候选者并估计其目标属性。这种设计使 LEMO Agent 能够连接 MOFid 表示、化学约束生成和属性引导的候选发现。 b.基于 MOFid 的属性预测器的构建：通过将每个 MOFid 表示与相应的目标属性配对，将 MOF 数据库转换为标记的 MOFid 数据。然后，在这些 MOFid-性质对上训练监督机器学习模型，并用于预测新生成的候选 MOF 的气体分离性质，包括 CH4/N2 选择性、CH4 吸收、CO2/N2 选择性和 CO2 吸收。 c. LEMO Agent 的多岛闭环优化管道：LEMO Agent 将搜索组织成多个独立的岛，每个岛维护自己的本地策略、本地内存和候选池。计算岛屿得分并将其转换为选择概率，以确定为下一个优化步骤选择哪个岛屿。在选定的岛屿内，代理迭代地执行规划、生成、候选评估和分析，同时主动读取和写入内存。生成的候选者通过 MOFid 语法检查、RDKit 有效性检查和属性预测进行评估。由此产生的有效候选者、高绩效候选者和失败案例被总结为知识、成功和失败记忆，然后用于指导后续的优化轮次。