全文速览
本文介绍了一个预测和生成金属有机框架（MOFs）的人工智能系统ChatMOF，ChatMOF通过使用大语言模型（GPT-4、GPT-3.5-turbo和GPT-3.5-turbo-16k）从文本输入中提取关键信息，然后给出适当的响应。该系统由三个核心组件构成：代理（agent）、工具箱（toolkit）和评估器（evaluator）。这三个组件共同构成了一个强大的工作流程，能够处理包括数据检索、属性预测和结构生成等在内的多种任务。在性能方面，集成GPT-4模型的ChatMOF表现出了非常高的准确率：搜索任务的准确率为96.9%，预测任务的准确率为95.7%，生成任务的准确率为87.5%。最后，文本还进一步探讨了在材料科学中结合使用大语言模型（LLMs）、数据库和机器学习的优势和局限性，并展示了这种结合对未来科学发展变革性的潜力。
背景介绍
得益于LLMs的兴起，生成式人工智能领域正在经历前所未有的增长。这些模型基于transformer架构，不仅能够处理基础的语言任务，还能够执行模仿人类认知的任务，如基于少量或无示例的学习，显示出巨大的潜力。
尽管LLMs在化学、医学和生物学等多个研究领域越来越受欢迎，但在材料科学领域，它们的潜力还未被充分利用。这主要是因为两个挑战：一是材料本身的复杂性，如MOFs，这些材料缺乏适合文本输入的表示方式，限制了LLMs对它们属性的理解和处理能力；二是材料特定训练数据的稀缺，材料科学领域缺少专门的数据库和相关数据，使得将这些数据以适合LLMs的文本格式表示变得更加困难。虽然存在这些挑战，但是研究人员仍在尝试利用LLMs在材料科学中的能力，主要集中于从科学文献中提取数据并生成响应，但材料本身的潜力还未被充分挖掘。为此，本文开发了一种新的方法，该方法针对MOFs，使用名为ChatMOF的人工智能系自动化地生成新材料并预测其属性。
图解全文
ChatMOF设计
ChatMOF作为一个自主的LLM代理，能够准确地从用户输入中提取关键细节，并给出相关响应。如图1a所示，用户可以使用自然语言提出关于材料属性的查询，ChatMOF能够提供与查询相关的详细描述。此外，ChatMOF还能根据用户需求生成具有特定属性的MOF结构。如图1b所示，ChatMOF由代理、工具箱和评估器三个主要部分组成。当用户输入查询后，代理首先将用户查询确立为目标，然后规划实现目标的步骤，接着ChatMOF从工具箱中选择合适的工具并执行相应的操作，最后评估生成的答案是否可行。如果可行，则呈现最终答案，否则将制定新策略。
图1 ChatMOF示意图
工具箱
ChatMOF 使用各种工具来获取、预测或生成材料信息，这些工具主要分为以下几类：表格搜索器（table-searcher）、互联网搜索器（internet-searcher）、预测器（predictor）、生成器（generator）以及实用工具（utilities）。
如果用户查询的MOF信息包含在系统连接的数据库中，ChatMOF能够定位并提供所需的预制表格数据。如图2所示，系统能够自动确定提取必要数据的最佳方法，并创建特定的Python代码来从数据库中检索信息（例如使用pandas库），代码在ChatMOF的执行器中运行，系统随后自动确定产生最终答案所需的后续程序。
图2 ChatMOF执行表格搜索示例
如果用户查询的MOF属性在数据库中无法获取，ChatMOF将采用机器学习模型进行属性预测。ChatMOF使用自主开发的MOFTransformer模型进行属性预测，该模型利用局部特征（如原子和键）和全局特征（如表面积和拓扑结构），经过一百万个假设MOFs的预训练和针对特定属性的微调，在预测各种属性方面表现出了高性能。如图3所示，当用户请求在特定温度和压力下具有最高氢扩散率的MOF信息时，ChatMOF会选择最合适的微调MOFTransformer模型，并使用该模型进行预测，然后进行表格搜索以确定模型预测的最高值的MOF。
图3 MOF属性预测器示例
在MOF领域，研究人员的一个关键目标是逆向设计具有特定所需属性的MOFs。在材料科学中，各种生成模型已经被用于逆向设计，如生成对抗网络（GAN）和扩散模型。然而，MOFs的结构复杂性，包括大量原子、大空隙率和复杂拓扑，使得逐个原子的逆向设计方法难以实现。作为一种解决方案，ChatMOF利用遗传算法来促进MOF的逆向设计。如图4所示，ChatMOF在接收到用户查询后，会根据遗传算法制定策略，确定目标属性，并选择最适合目标的损失函数，如最大值、最小值或最接近值，然后从现有数据库中选择与目标属性高度相关的父代基因，这些基因通过遗传算法进行选择，以提高子代基因展现期望属性的可能性。选中的基因随后被转化为结构文件，并通过机器学习来估计其属性，这个迭代过程会固定重复多次，每一代都会产生更接近目标的MOFs结构。最后，ChatMOF从生成的结构中选择最符合用户查询要求的一个，并将其作为响应结果呈现给用户。
图4 MOF生成器示例
ChatMOF整合了原子模拟环境（ASE）库，这是一个在材料科学领域具有重要价值的工具，能够进行原子操作、获取单元信息以及提供可视化等功能。当用户查询时，ChatMOF会制定一个策略计划，并利用ASE库编写合适的Python代码来满足查询的需求，然后执行这段代码。如图5所示，用户查询在298K下XEGKUR的CO2 Henry系数，单位为mol/cm³Pa时，ChatMOF首先使用预测器来确定CO2的Henry系数，然后使用单位转换工具将单位从mol/KgPa转换为mol/cm³Pa。在这个转换过程中，ChatMOF识别出需要XEGKUR的密度这一额外数据，于是进行了表格搜索来获取所需的密度值。得到密度数据后，ChatMOF再次应用单位转换工具，将g/cm³转换为kg/cm³，最终综合所有这些信息得出最终答案。
图5 ChatMOF解决复杂且多步骤问题示例
最后，文本评估了ChatMOF 的性能，涵盖“搜索任务”、“预测任务”和“生成任务”。 评估的准确性通过三种标签来衡量："True"、"False (token limit exceeded)"、"False (logic error)"。其中，"True"表示ChatMOF的过程正确匹配了产生准确答案所需的逻辑，"False (Token Limit Exceeded)"表示tokens数超出模型限制，"False (Logic Error)"表示 ChatMOF的逻辑错误导致不正确的响应或异常。图6显示了集成GPT-4 模型的ChatMOF在三项任务中的准确性，包括搜索任务和预测任务的100个示例问题以及生成任务中的10个示例问题。
图6 集成GPT-4 模型的ChatMOF准确性
总结展望
本文提出了一个针对MOF领域的人工智能系统ChatMOF，并对其在材料科学中的应用潜力进行了探讨，最后评估了ChatMOF的性能，在搜索任务、预测任务和生成任务上展现出了卓越的性能。尽管存在一些限制，但ChatMOF在实现材料科学领域AI更高自主性方面已经取得了显著进展。随着技术的发展，以及模型容量和在线平台数据共享的结构化改进，ChatMOF的性能有望得到进一步优化，从而推动MOF研究取得显著进步。
DOI: https://doi.org/10.1038/s41467-024-48998-4
