基于混合扩散-Transformer 架构的金属有机框架高效生成方法 EGMOF
材料科学
2026-04-21 v3 人工智能
机器学习
摘要
具有目标性物性的材料设计仍面临巨大的化学空间规模和稀缺标注数据的问题。虽然近期发展的生成模型为逆向设计提供了可行之路，但大多数方法需要大规模数据集，并且必须为每个新目标物性重新训练。为此，本文引入 EGMOF（Efficient Generation of MOFs），一种混合扩散-Transformer 框架，通过模块化、描述符中介的工作流程克服了上述局限性。EGMOF 将逆向设计分解为两个步骤：（1）一个一维扩散模型（Prop2Desc）将期望的物性映射到化学上有意义的描述符；随后（2）一个 Transformer 模型（Desc2MOF）从这些描述符生成结构。这种模块化的混合设计使得最小化再训练即可保持高精度，即使在小数据条件下亦可。实验表明，在氢吸附数据集上，EGMOF 实现了 94% 以上的有效性和 91% 的命中率，较现有方法在有效性提升最高可达 39%，在命中率提升最高可达 29%，仅需 1000 条训练样本即可实现。此外，我们的模型成功地在 29 个多样化物性数据集上实现了条件生成，包括 CoREMOF、QMOF 和从文本中抽取的实验数据集，而以前的模型尚未实现。该工作提出了一种数据高效、通用的 MOFs 逆向设计方法，凸显了模块化逆向设计工作流程在更广泛材料发现中的潜在价值。
引用
@article{arxiv.2511.03122,
title = {EGMOF: Efficient Generation of Metal-Organic Frameworks Using a Hybrid Diffusion-Transformer Architecture},
author = {Seunghee Han and Yeonghun Kang and Taeun Bae and Junho Kim and Younghun Kim and Varinia Bernales and Alan Aspuru-Guzik and Jihan Kim},
journal= {arXiv preprint arXiv:2511.03122},
year = {2026}
}