MOFormer：无需3D结构、基于Transformer的预测语言模型
金属有机框架（MOF）是具有高比表面积、高孔隙率和结构可设计的结晶性多孔材料，可用于气体吸附、气体储存、气体分离、催化剂等领域。 然而，MOF 的化学空间非常巨大。发现适合特定应用的最佳 MOF 需要对无数潜在候选材料进行高效、准确的搜索。快速且低成本地为特定任务选择性能最佳的 MOF 一直具有挑战性。使用 DFT 等计算模拟的高通量筛选方法可能非常耗时，且需要 MOF 的 3D 原子结构。 近日，来自卡内基梅隆大学（CMU）的研究团队提出了一种基于 Transformer 模型的与结构无关的深度学习方法，称为 MOFormer，用于 MOF 的属性预测。MOFormer 将 MOF (MOFid) 的文本字符串表示形式作为输入，从而避免了获取假设 MOF 的 3D 结构的需要，并加速了筛选过程。 与领先模型相比，MOFormer 在所有基准上预测精度最佳，且无需明确依赖 3D 原子结构。MOFormer 为使用深度学习进......阅读全文
MOFormer：无需3D结构、基于Transformer的预测语言模型
金属有机框架（MOF）是具有高比表面积、高孔隙率和结构可设计的结晶性多孔材料，可用于气体吸附、气体储存、气体分离、催化剂等领域。 然而，MOF 的化学空间非常巨大。发现适合特定应用的最佳 MOF 需要对无数潜在候选材料进行高效、准确的搜索。快速且低成本地为特定任务选择性能最佳的 MOF 一直具有挑