MOFGen通过AI智能体实现MOF自动发现与合成
时间:2026年11月19日,来自加州大学伯克利分校、劳伦斯伯克利国家实验室和Google DeepMind的研究团队在《Nature Computational Science》发表论文,介绍了名为MOFGen的AI智能体系统。该系统通过大语言模型、扩散模型与量子力学计算的多智能体协作,实现了金属有机框架的自动发现与实验合成,并成功合成了4种此前未知的AI设计MOF。
地点:美国
人物:Theo Jaffrelot Inizan、Sherry Yang、Aaron Kaplan、Yen-hsu Lin、Jian Yin、Saber Mirzaei、Mona Abdelgaid、Ali H. Alawadhi等研究人员。
事件详情:MOFGen是一个由多个AI智能体组成的端到端材料发现系统。大语言模型智能体负责提出新的MOF成分组成,扩散模型智能体生成晶体结构,量子力学智能体对候选进行优化和筛选,合成可行性智能体则基于专家规则和机器学习评估材料的可合成性。该系统在已报道的所有MOF化学和计算数据库上训练,生成了数十万种新型MOF结构和有机连接体。研究团队通过高通量实验验证了4种"AI梦想"的MOF,部分材料的合成周期仅需数天,代表了自动化可合成材料发现的重大进展。
背景:金属有机框架是一类具有高比表面积和可调控孔道结构的晶体材料,在碳捕获、水收集和气体分离等领域有广泛应用前景。然而,传统MOF发现严重依赖试错法和计算筛选,面临化学空间过于庞大、计算预测材料难以在实验室实际合成等瓶颈,导致从理论设计到实验验证的周期往往长达数月甚至数年。
影响:MOFGen的研究首次将可合成性评估直接嵌入计算设计流程,显著提高了AI预测材料从计算到实验的成功率。该系统在数周内完成4种AI设计MOF的合成验证,其中部分仅用几天,大幅缩短了新材料的研发周期。这一成果为碳捕获、水收集等急需新型MOF材料的应用场景提供了更快的开发路径,也验证了多智能体AI系统在自动化科学研究中的可行性,为未来AI驱动的材料发现范式转换奠定了基础。
总结:MOFGen论文的发表,标志着AI智能体在材料科学领域从"计算预测"走向"实验验证"的关键跨越。不同于传统方法中数字材料与真实材料脱节的问题,MOFGen实现了从文献挖掘、结构生成、可合成性评估到实验合成规划的全流程自动化。研究团队已公开相关数据集和代码,供材料科学界复用。随着更多研究团队采用类似的多智能体框架,AI有望进一步加速新型功能材料的发现周期,降低研发成本,推动MOF材料在能源、环境和化工领域的实际应用落地。
参考来源:
Nature Computational Science
https://www.nature.com/articles/s43588-026-01058-x
DailyArtifact
https://dailyartifact.ai/story/system-of-agentic-ai-for-the-discovery-of-metal-organic-frameworks-1meql
ScienMag
https://scienmag.com/agentic-ai-system-discovers-and-synthesizes-new-metal-organic-framework-crystals/
arXiv
https://arxiv.org/abs/2504.14110
OpenResearch
https://openresearch.sh/abs/2504.14110?paper=System+of+Agentic+AI+for+the+Discovery+of+Metal-Organic+Frameworks







