33 分钟生成 12 万种碳捕捉候选材料，美国阿贡国家实验室发布生成式 AI 框架，加速 MOFs 创新
内容提要
研究人员提出了一种生成式AI框架GHP-MOFsassemble，用于快速生成和筛选新的金属有机框架(MOFs)结构，并测试其对二氧化碳的吸附能力。研究人员生成了12万个新的候选MOFs，确定了102个稳定且高性能的MOFs结构，并发现了6种二氧化碳吸附能力高于2mmol/g的MOFs。AI技术在碳捕捉领域有望带来新的科技突破，助推全球向绿色、低碳方向转型。
延伸解读
从生成到筛选：GHP-MOFsassemble 的三步流程
该框架分为分解、生成、筛选与预测三部分。分解阶段用 MMPA 从 hMOFs 数据集中提取 540 个分子片段；生成阶段用扩散模型 DiffLinker 生成新连接物，并与金属节点组装；筛选阶段用 CGCNN 模型预测二氧化碳吸附能力，再对高性能结构进行分子动力学模拟。整个流程在 5 小时 7 分钟内完成，展示了高通量计算的效率。
AI 生成 MOFs 的验证与局限
研究人员将 AI 生成的配体与 hMOFs 配体进行相似度分析，发现相似度仅为 30%-40%，说明 AI 能生成新配体；同时相似度分布在 0.4 处出现高峰，表明 AI 也能生成类似已有配体的结构，具有实际有效性。但文章也指出，筛选规则、模拟条件和模型精确度都会影响结果准确性，筛选出的 MOFs 性能仍需实验进一步验证。
碳捕捉中的 AI 应用前景
文章提到，微软认为 AI 可助力降低温室气体排放；萨里大学研究显示 AI 模型可能将燃煤电厂碳捕捉能耗减少三分之一以上，提高效率至少 16.7%。英伟达的 Earth-2 平台和 Modulus 框架将碳捕捉模拟速度提高 70 万倍，2.8 秒即可完成可靠性评估。这些案例表明 AI 正从材料设计到系统模拟多层面推动碳捕捉技术发展。
Q&A
GHP-MOFsassemble框架的主要功能是什么？
GHP-MOFsassemble框架用于快速生成和筛选新的金属有机框架(MOFs)结构，并测试其对二氧化碳的吸附能力。
研究人员在多长时间内生成了多少个新的候选MOFs？
研究人员在33分钟内生成了12万个新的候选MOFs。
哪些因素影响GHP-MOFsassemble框架的结果准确性？
实验过程的筛选规则、模拟条件和模型的精确度都会影响结果的准确性。
研究中发现了多少种具有高二氧化碳吸附能力的MOFs？
研究发现了6种二氧化碳吸附能力高于2mmol/g的MOFs。
GHP-MOFsassemble框架的组成部分有哪些？
该框架包括分解、生成和筛选与预测三个组成部分。
AI技术在碳捕捉领域的潜在影响是什么？
AI技术有望带来新的科技突破，助推全球向绿色、低碳方向转型。
