LEGO-MOF：基于等变潜在操控的可编辑、可生成、可优化金属有机框架设计
机器学习
2026-04-16 v1
摘要
金属有机框架（MOFs）因其在碳捕获方面的高度前景而备受推崇，但在其庞大的设计空间中进行导航仍具有挑战性。最近的深度生成模型实现了从头设计MOFs，但主要充当前馈结构生成器。通过严重依赖预定义的构件库和非可微的后优化，它们本质上切断了连续结构编辑所必需的信息流。本文提出了一个以持续结构操控为目标的生成框架。其核心是LinkerVAE，将离散的3D化学图映射到连续的、SE(3)等变潜在空间中。这种光滑流形解锁了几何感知操控，包括隐式化学风格迁移和零样本等离子体扩展。建立在此基础上，我们引入了一种测试时优化（TTO）策略，利用准确的代理模型持续优化现有MOFs的潜在图，以实现所需属性。这一方法系统性地提高了碳捕获性能，在纯CO2摄取方面实现了惊人的平均相对提升147.5%，同时严格保持结构有效性。集成潜在扩散模型和刚体装配用于完整MOF构建，我们的框架为自动化发现、针对性优化和编辑功能材料建立了可扩展的、全可微的路径。
引用
@article{arxiv.2604.13520,
title = {LEGO-MOF: Equivariant Latent Manipulation for Editable, Generative, and Optimizable MOF Design},
author = {Chaoran Zhang and Guangyao Li and Dongxu Ji},
journal= {arXiv preprint arXiv:2604.13520},
year = {2026}
}
备注
36 pages including Supplementary Information, 10 figures in the main text and 12 figures/tables in the Supplementary Information