AtomMOF：用于MOF-吸附剂结构预测的全原子流匹配模型
材料科学
2026-02-10 v1
摘要
深度生成模型在金属有机框架（MOFs）建模方面显示出前景，但现有方法（1）依赖于粗粒化表示，假设固定的键长和键角，（2）忽略MOF-吸附剂相互作用，这些相互作用对于下游应用至关重要。我们引入AtomMOF，一个基于全原子扩散转换器的可扩展流模型，将2D分子图的建筑单元和吸附剂直接映射到平衡的3D结构，而无需施加结构约束。我们进一步提出了多孔晶体生成的比例规律，表明模型容量的增加可实现可预测的性能提升，并引入基于机器学习的原子势能引导的Feynman-Kac驾驭，以提高几何有效性和抽样稳定性。在（仅MOF）BW数据集上，AtomMOF将匹配率提高35.00%，降低RMSD 32.64%。在ODAC25数据集（MOF-吸附剂）上，AtomMOF在恢复吸附配置方面显著优于准粒子蒙特卡罗方法，并能够识别出低于参考数据集的吸附能的候选方案。代码已在https://github.com/nayoung10/AtomMOF上提供。
引用
@article{arxiv.2602.07351,
title = {AtomMOF: All-Atom Flow Matching for MOF-Adsorbate Structure Prediction},
author = {Nayoung Kim and Honghui Kim and Sihyun Yu and Minkyu Kim and Seongsu Kim and Sungsoo Ahn},
journal= {arXiv preprint arXiv:2602.07351},
year = {2026}
}
备注
10 pages, 11 figures