Przejdź do treści

Praktyczne zastosowania

Projektowanie MOF-ów przez AI: co naprawdę potrafi system MOFGen

Zaktualizowano: Autor: Andrzej Niemiec9 min czytania

MOF-y to porowate szkielety metalo-organiczne. Sprawdzamy, jak AI je projektuje, ile struktur wygenerował MOFGen i gdzie kończy się demonstrator, a zaczyna laboratorium.

Projektowanie MOF-ów przez AI: co naprawdę potrafi system MOFGen
Spis treści
  1. Czym są MOF-y i dlaczego Nobel 2025 zmienił ich status?
  2. Jaką rolę odgrywa AI w projektowaniu MOF-ów?
  3. Czym jest system MOFGen i co dokładnie osiągnął?
  4. Ile materiałów AI faktycznie wytworzyło w laboratorium?
  5. Jakie są najważniejsze zastosowania MOF-ów?
  6. Gdzie kończą się obietnice: jakie ograniczenia ma projektowanie MOF-ów przez AI?
  7. Jak wypada porównanie: klasyczne symulacje, modele AI i autonomiczne laboratoria?
  8. Co z tego wynika dla polskich instytutów i firm?
  9. Najczęstsze pytania
  10. Źródła

Czym są MOF-y i dlaczego Nobel 2025 zmienił ich status?

MOF-y, czyli szkielety metalo-organiczne, to porowate materiały krystaliczne zbudowane z metalicznych węzłów połączonych organicznymi łącznikami. Pory mają projektowaną wielkość i chemię wnętrza, dlatego materiały te bada się pod kątem separacji i magazynowania gazów, wychwytu dwutlenku węgla, pozyskiwania wody z powietrza, katalizy, sensorów i transportu leków [1][2].

W 2025 roku Nagrodę Nobla w dziedzinie chemii otrzymali Susumu Kitagawa, Richard Robson i Omar M. Yaghi. Królewska Szwedzka Akademia Nauk uhonorowała ich za opracowanie porowatych szkieletów metalo-organicznych [1]. Werdykt potwierdził, że MOF-y są odrębną klasą materiałów, a nie wyłącznie wątkiem specjalistycznych publikacji [1][2].

O ich znaczeniu decyduje porowatość. Pory mieszczą cząsteczki, a ich rozmiar i chemia wnętrza decydują o tym, co materiał zatrzymuje, a co przepuszcza [2]. Ta właściwość pozwala projektować MOF-y pod konkretne zadanie, na przykład pod wychwyt dwutlenku węgla albo magazynowanie wodoru [1][2].

Projektowanie takich struktur nie jest dowolne. Przegląd w „Chemical Society Reviews” opisuje, jak przez kilkanaście lat rozwinęły się metody celowego doboru metali i łączników oraz jak od projektowania pojedynczych struktur przeszło się do planowania całych rodzin materiałów [3]. Ta uporządkowana, siatkowa chemia sprawia, że MOF-y nadają się do modelowania obliczeniowego, a więc także do wsparcia algorytmami [3].

Jaką rolę odgrywa AI w projektowaniu MOF-ów?

Sztuczna inteligencja zawęża przestrzeń kandydatów i przewiduje właściwości, ale nie zastępuje laboratorium. Modele uczą się na istniejących danych krystalograficznych, proponują łączniki i warunki syntezy, a walidacja eksperymentalna pozostaje po stronie chemików [4][5].

Przegląd z 2023 roku opisuje trzy zastosowania uczenia maszynowego: przewidywanie właściwości na podstawie struktury, generowanie nowych struktur oraz optymalizację kilku parametrów jednocześnie [4]. Nowsze prace z lat 2024–2026 dokładają do tego przewidywanie warunków syntezy i potencjalnych zastosowań na podstawie prekursorów oraz dyfraktogramów proszkowych [5][6].

Granica jest jednoznaczna. Model może wskazać kandydata, ale nie potwierdza, że dana struktura rzeczywiście powstanie w kolbie. Współczesne przeglądy wymieniają wykonalność syntezy, jakość danych, koszty obliczeń, odtwarzalność i skalowanie jako problemy, których nie rozwiązuje samo zwiększenie mocy modelu [5][6].

Czym jest system MOFGen i co dokładnie osiągnął?

MOFGen to system agentowy opisany w preprincie z 18 kwietnia 2025 r. Łączy model językowy, model dyfuzyjny, obliczenia kwantowo-mechaniczne, ocenę wykonalności syntezy i syntezę wysokoprzepustową [7][8].

Architektura jest modułowa. Model językowy MOFMaster proponuje składy, LinkerGen i CrystalGen generują łączniki oraz struktury, QForge prowadzi obliczenia kwantowe, a SynthABLE, QHarden i SynthGen oceniają syntezowalność i przygotowują warunki syntezy [8]. Każdy etap zawęża zbiór kandydatów, zamiast opierać się na jednym modelu.

Skala generowania jest duża. System wygenerował 259 559 przewidywanych struktur MOF dla wybranych układów cynkowych oraz około 180 000 nowych, unikalnych organicznych łączników ocenionych jako potencjalnie syntezowalne [8]. To liczby kandydatów, a nie liczba materiałów otrzymanych w laboratorium.

Ile materiałów AI faktycznie wytworzyło w laboratorium?

Eksperymentalnie otrzymano pięć struktur określanych jako „AI-dreamt MOFs”. Część syntez zakończono w ciągu kilku dni, a całość opisano jako realizowaną w ciągu kilku tygodni [8].

Zestawienie liczb pokazuje proporcje: 259 559 przewidzianych struktur i około 180 000 linkerów po jednej stronie, pięć potwierdzonych materiałów po drugiej [8]. Walidacja wymagała klasycznych metod laboratoryjnych, w tym dyfrakcji rentgenowskiej pojedynczego kryształu lub proszkowej (SCXRD/PXRD) [8]. Model nie potwierdza samodzielnie, że wygenerowana struktura istnieje.

Jakie są najważniejsze zastosowania MOF-ów?

MOF-y bada się przede wszystkim w separacji i magazynowaniu gazów, wychwycie dwutlenku węgla, pozyskiwaniu wody z powietrza, katalizie, sensorach i transporcie leków [1][2]. Większość tych kierunków pozostaje na etapie badań i demonstratorów, a nie dojrzałych technologii rynkowych [2].

Osobny nurt to łączenie syntezy z zastosowaniami przez modele multimodalne. Praca w „Nature Communications” z 2025 roku opisuje model, który wiąże warunki syntezy MOF-ów z potencjalnymi zastosowaniami na podstawie danych z różnych modalności [9].

Polski wątek w tej historii jest starszy niż systemy agentowe. W 2020 roku instytut IChF PAN współopracował bezrozpuszczalnikową enkapsulację leków w MOF-ach [10]. To przykład zastosowania farmaceutycznego otrzymanego klasycznymi metodami, bez generatywnego projektowania.

Gdzie kończą się obietnice: jakie ograniczenia ma projektowanie MOF-ów przez AI?

Największym ograniczeniem jest wykonalność syntezy. Struktura poprawna energetycznie może okazać się niemożliwa do otrzymania w realistycznych warunkach, dlatego modele oceniające syntezowalność są filtrem, a nie gwarancją [6][8].

Kolejne bariery to stabilność materiału w warunkach pracy, różnorodność i standaryzacja danych treningowych, koszt obliczeń kwantowych oraz odtwarzalność wyników między laboratoriami [4][5]. Przegląd z 2025 roku wskazuje też różnicę między wynikiem symulacji a realnym materiałem jako problem, którego nie usuwa sam model [11].

Autonomiczne laboratoria są kierunkiem rozwoju, ale nadal wymagają udziału człowieka i eksperymentalnej weryfikacji [11]. Opisywane w mediach systemy, takie jak A-Lab, demonstrują przygotowanie receptur nowych materiałów, a model DeepMind przewidział możliwość zaistnienia blisko 400 tysięcy stabilnych substancji [12]. To wyniki badawcze, nie gotowe linie produkcyjne.

Jak wypada porównanie: klasyczne symulacje, modele AI i autonomiczne laboratoria?

KryteriumSymulacje DFT i dynamika molekularnaModele AI i systemy agentowe (np. MOFGen)Autonomiczne laboratoria
Liczba kandydatów w jednostce czasuMała, ograniczona kosztem obliczeń [3]Bardzo duża, setki tysięcy struktur [8]Średnia, ograniczona przepustowością sprzętu [12]
Rola człowiekaPełna kontrola nad każdym etapemWybór celu, danych i kryteriów oceny [4][8]Nadzór i zatwierdzanie receptur [11]
Walidacja wynikuObliczeniowa, bez syntezyLaboratoryjna, SCXRD/PXRD [8]Laboratoryjna, zautomatyzowana [12]
Dojrzałość wdrożeniowaDojrzała metodyka badawcza [3]Demonstratory badawcze [7][8]Pilotaże i platformy badawcze [12]

Tabela pokazuje, że metody nie konkurują w jednym wymiarze. Symulacje dają precyzję pojedynczego wyniku, systemy AI przepustowość w generowaniu kandydatów, a autonomiczne laboratoria szybkość testowania [3][8][12].

Co z tego wynika dla polskich instytutów i firm?

Instytut Chemii Fizycznej PAN prowadzi badania nad MOF-ami i wymienia je wśród własnych projektów, w tym projekt dotyczący wytwarzania materiałów porowatych z użyciem AI [13][14]. Dorobek instytutu obejmuje też wspomnianą enkapsulację leków w MOF-ach z 2020 roku [10].

Dostępne źródła nie potwierdzają jednak, by system MOFGen był realizowany w IChF PAN ani by w instytucie trwał eksperyment polegający na syntezie MOF-ów w osiem tygodni [7][8][13]. Publikacja MOFGen wskazuje autorów związanych z UC Berkeley i zespołem Omara M. Yaghiego [7][8].

Dla zespołu badawczego wniosek jest praktyczny. Najpierw warto ustalić, jakie dane krystalograficzne i syntetyczne organizacja posiada, a dopiero potem wybierać model. Szerszy obraz automatyzacji w chemii dają opisy metod badania tysięcy reakcji w kilka godzin [15] oraz analizy tego, co AI zmienia w firmach chemicznych [16]. Warto też porównać ten kierunek z innymi wdrożeniami opisanymi w naszym przeglądzie Praktyczne zastosowania AI: od pilotażu do produkcji i z analizą pracy modeli w badaniach danych w tekście Codex w data science: 2 godziny pracy w 10 minut, ale nie bez haczyka.

Najczęstsze pytania

Czy AI potrafi samodzielnie odkryć nowy MOF?

Nie w pełni. Systemy takie jak MOFGen generują kandydatów i oceniają syntezowalność, ale otrzymanie materiału wymaga syntezy i walidacji dyfrakcyjnej w laboratorium [7][8]. AI skraca drogę do kandydatów, nie zastępuje eksperymentu ani decyzji badacza.

Ile struktur MOF wygenerował system MOFGen?

259 559 przewidywanych struktur dla wybranych układów cynkowych oraz około 180 000 nowych, unikalnych linkerów ocenionych jako potencjalnie syntezowalne [8]. W laboratorium potwierdzono pięć struktur [8]. To liczby kandydatów i wyników demonstracji, nie skala produkcji.

Czy Nobel 2025 w dziedzinie chemii dotyczył MOF-ów?

Tak. Nagrodę otrzymali Susumu Kitagawa, Richard Robson i Omar M. Yaghi za opracowanie porowatych szkieletów metalo-organicznych [1]. Wyróżnienie dotyczyło samej klasy materiałów, a nie konkretnego zastosowania ani wdrożenia przemysłowego [1][2].

Czy MOF-y są już produkowane na skalę przemysłową?

Dostępne źródła opisują przede wszystkim badania i demonstratory, a nie masową produkcję [2][8]. Zastosowania takie jak separacja gazów, wychwyt dwutlenku węgla czy transport leków pozostają kierunkami badawczymi [1][2]. Skalowanie wymaga rozwiązania problemów syntezowalności, stabilności i odtwarzalności [11].

Co trzeba sprawdzić przed wdrożeniem AI do projektowania MOF-ów?

Trzy rzeczy: dostępność i standaryzację danych krystalograficznych, sposób oceny syntezowalności oraz procedurę walidacji w laboratorium [4][6][8]. Model bez tych elementów generuje kandydatów, których nikt nie potwierdzi eksperymentalnie. Warto zacząć od jednego zastosowania i wąskiego zestawu układów.

Źródła

  1. Nobel 2025 z chemii. Co potrafią szkielety metalo-organiczne? (Serwis Naukowy UW, 2025)
  2. Szkielety metalo-organiczne (Wikipedia, 2025)
  3. Development of the design and synthesis of metal–organic frameworks (Chemical Society Reviews, 2025)
  4. Artificial intelligence assisted with designing metal-organic frameworks (Rabiee, Clinical and Translational Discovery, 2023)
  5. Artificial Intelligence Paradigms for Next-Generation Metal–Organic Framework Research (JACS, 2025)
  6. The Rise of Generative AI for Metal–Organic Framework Design and Synthesis (2025)
  7. System of Agentic AI for the Discovery of Metal-Organic Frameworks (arXiv, 2025)
  8. System of Agentic AI for the Discovery of Metal-Organic Frameworks — pełny tekst (arXiv, 2025)
  9. Connecting metal-organic framework synthesis to applications using multimodal machine learning (Nature Communications, 2025)
  10. IChF Informacje prasowe (Instytut Chemii Fizycznej PAN)
  11. Reimagining metal-organic framework discovery: Integrating experiment, computation, and artificial intelligence (Chem, 2025)
  12. Sztuczna inteligencja tworzy nowe materiały? Naukowcy mają nowe narzędzia (National Geographic)
  13. Projects (Instytut Chemii Fizycznej PAN)
  14. Semiconducting Materials and Optoelectronic Devices (Instytut Chemii Fizycznej PAN)
  15. Przewrót w chemii. Polakom wystarczą godziny, inni muszą pracować dłużej (Spider's Web, 2025)
  16. Co dokładnie zmienia sztuczna inteligencja w firmach chemicznych? (Chemia i Biznes)
AN
O autorze
Andrzej Niemiec

Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.

Jak powstają teksty: Polityka AI · O redakcji