用于金属有机框架性质样本感知预测的多模态 Transformer
材料科学
2026-04-22 v1 人工智能
摘要
金属有机框架（MOF）是基于机器学习的性质预测的重要目标，但大多数模型假设单一框架表示映射到单一性质值。这一假设对于实验 MOF 存在问题，因为报告为同一框架的样品可能由于结晶度、相纯度、缺陷和其他样品依赖性因素的差异而表现出不同的性质。在此我们引入实验 X 射线衍射集成 Transformer（EXIT），这是一种用于样本感知预测 MOF 性质的多模态 Transformer，它将 MOFid 与 X 射线衍射（XRD）相结合。在 EXIT 中，MOFid 编码 MOF 身份，而 XRD 提供关于实验实现的样品状态的互补信息。EXIT 在一百万个带有模拟 XRD 的假设 MOF 上进行预训练，以学习可迁移表示，从而相对于现有方法提高了下游性能。EXIT 在文献衍生的实验数据集上进行微调，用于表面积和孔体积预测。结合实验 XRD 相较于没有实验 XRD 的模型提高了预测性能，注意力分析和样品级案例研究进一步表明，当样品共享同一 MOF 身份但 XRD 图案不同时，EXIT 会为其分配不同的预测。这些结果确立了从框架感知到样品感知的 MOF 性质预测的实用步骤，并突出了将实验表征纳入多孔材料信息学的价值。
引用
@article{arxiv.2604.19383,
title = {Multimodal Transformer for Sample-Aware Prediction of Metal-Organic Framework Properties},
author = {Seunghee Han and Jaewoong Lee and Jihan Kim},
journal= {arXiv preprint arXiv:2604.19383},
year = {2026}
}
备注
22 pages, 7 figures