高纯气体制备技术是化工和高端材料产业的关键技术。金属-有机框架（MOF）材料因其结构多样性和可设计性成为高性能气体吸附分离新材料的突破点，但精准预测MOF材料的气体吸附容量是迄今尚未攻克的难题。针对这一问题，清华大学化工系卢滇楠教授团队联合美国加州大学河滨分校吴建中教授和北京科学智能研究院高志锋研究员研发出三维MOF材料吸附行为的机器学习模型Uni-MOF，用于预测各类工况下纳米多孔材料对各类气体的吸附性能。

在模型的预训练阶段，研究者实施了两类任务以提升模型性能。第一类任务为预测被遮蔽原子的类型，即识别并预测在分子结构中被掩盖部分的原子种类。第二类任务为执行噪声下的三维坐标恢复任务，具体操作为在15%的原子坐标上引入范围在[-1Å,+1Å]之间的均匀噪声，进而基于这些受损坐标来计算空间位置编码。这两类任务旨在增进模型对数据的抗干扰能力，从而在面对后续的预测任务时，提供更加精准的性能。

图1.Uni-MOF框架示意图。（a）预训练阶段，（b）数据生成工作流，（c）微调阶段

研究人员采用三个实验数据库对Uni-MOF的预测精度进行了校验，在具备充足数据的hMOF_MOFX数据库中，Uni-MOF的预测精度高达0.98。在数据集CoRE_MAP上，Uni-MOF的预测精度达到0.83，并可以通过低压吸附数据学习，辨识出在高压条件下具备优异吸附性能的材料，预测结果与实验数据具有高度一致性。

图2.气体吸附量预测值与模拟值的相关性。（a）hMOF_MOFX-DB（mol/kg），（b）CoRE_MOFX-DB（cm³/kg），（c）CoRE_MAP-DB （cm³/kg）。子图是每个数据库的温度（K）和压力（bar）分布

为评估该模型在结构识别方面的能力，研究人员以hMOF-5004238为例分析了材料结构内部的原子间相互作用力，证明Uni-MOF在识别超过63万个三维空间构型及其原子间连接关系上的有效性，突显了该模型的通用性和广阔的应用前景。

图3.（a）hMOF-5004238结构示意图，Transformer的多头注意机制下（b）Head-10和（c）Head-18中的原子相互作用关系热图

相关研究成果以“基于转换器的金属有机框架高精度气体吸附预测通用方法”（A comprehensive transformer-based approach for high-accuracy gas adsorption predictions in metal-organic frameworks）为题，于3月1日发表于《自然·通讯》（Nature Communications）期刊。

清华大学化工系为该工作第一完成单位。清华大学化工系2019级博士生王靖琦和中山大学助理教授刘佳鹏为论文共同第一作者，卢滇楠、吴建中、高志锋为论文共同通讯作者。研究得到国家自然科学基金的支持。