金属有机框架（MOFs）在气体存储和催化领域具有潜力，但设计空间庞大且实验效率低。研究团队提出了一种基于机器学习的模型，利用大语言模型预测MOFs的自由能，显著降低计算成本，合成可行性判定准确率达到97%。该方法为MOFs的高通量筛选提供了新思路。

多伦多大学研究团队提出了MOF-ChemUnity知识图谱，旨在解决金属有机框架（MOFs）命名不统一的问题。该系统利用大语言模型（LLM）将MOF名称与晶体结构准确关联，整合了约1万篇文献和1.5万条晶体结构数据，从而提高了信息检索和材料推荐的准确性，为材料科学研究提供了新的数据管理和分析方法。

2025年诺贝尔化学奖授予北川进、Richard Robson和Omar Yaghi，以表彰他们在金属有机框架（MOF）领域的贡献。MOF在水分获取、污染物提取和二氧化碳捕获等方面具有广泛应用潜力，其模块化特性使其成为人工智能研究的理想对象，推动了化学的数字化和设计创新。