炭素捕獲のための金属有機フレームワークの設計のための分子拡散モデルに基づく生成的人工知能フレームワーク

金属有機フレームワーク（MOF）は、CO2キャプチャに大きな期待を示しています。ただし、最高のパフォーマンスの材料を見つけることは、潜在的なビルディングブロックの広大な化学空間を考慮して、計算的および実験的な壮大な課題をもたらします。ここでは、CO2吸着能力が高く合成可能なリンカーを備えたMOFの合理的で加速された設計のためのGHP-Mofassemble、生成人工知能（AI）、高性能フレームワークを紹介します。GHP-Mofassembleは、プリミティブキュービックトポロジの3つの事前に選択された金属ノード（Cuパドルホイール、ZNパドルホイール、ZNテトラマー）のいずれかで組み立てられた新しいリンカーを生成します。GHP-mofasembleのスクリーン、AIの生成されたMOFSを一意性、合成化可能性、構造的妥当性のために検証し、分子動力学シミュレーションを使用して安定性と化学的一貫性を調べ、クリスタルグラフ神経ネットワークと壮大な標準的なモンテカルロシミュレーションはCO2吸着能力を定量化します。2m mol g-1を超えるCO2容量を備えた上位6つのAI誘発MOFを紹介します。つまり、仮想MOFデータセットの構造の96.9％を超えています。

Metal-organic frameworks (MOFs) exhibit great promise for CO2 capture. However, finding the best performing materials poses computational and experimental grand challenges in view of the vast chemical space of potential building blocks. Here, we introduce GHP-MOFassemble, a generative artificial intelligence (AI), high performance framework for the rational and accelerated design of MOFs with high CO2 adsorption capacity and synthesizable linkers. GHP-MOFassemble generates novel linkers, assembled with one of three pre-selected metal nodes (Cu paddlewheel, Zn paddlewheel, Zn tetramer) into MOFs in a primitive cubic topology. GHP-MOFassemble screens and validates AI-generated MOFs for uniqueness, synthesizability, structural validity, uses molecular dynamics simulations to study their stability and chemical consistency, and crystal graph neural networks and Grand Canonical Monte Carlo simulations to quantify their CO2 adsorption capacities. We present the top six AI-generated MOFs with CO2 capacities greater than 2m mol g-1, i.e., higher than 96.9% of structures in the hypothetical MOF dataset.