8月31日消息，arXiv收录的uMOF工作（2608.28100，8月28日提交）由劳伦斯伯克利国家实验室材料科学部Théo Jaffrelot Inizan、Kristin A. Persson（兼UC Berkeley材料科学与工程系）等完成，为金属有机框架（MOF）材料的人工智能模拟提供了系统性基础设施。

三大核心贡献：其一，迄今最大且精度最高的MOF DFT数据集——以r²SCAN-D4理论水平计算，覆盖19950个独特框架、79种元素、85524个构型，包含空框架与载气结构、几何优化、状态方程与有限温度分子动力学；其二，从626篇文献中经七阶段大语言模型流水线挖掘出的3986条验证性质基准（其中3146条为实验值），并链接超过650个晶体学信息文件；其三，两个通用机器学习原子间势（MLIP）uMOF-MH与uMOF-POLAR，分别从两个架构不同的MACE基础模型微调而来。

性能表现：在近平衡"Tier-1"性质（体模量、声子热容）上，uMOF模型与现有基础模型和微调基线相当；而在气体吸附焓（Widom插入法）与吸附等温线等对动力学更敏感的难点性质上，uMOF模型超越全部测试基线——包括在数据量大至三个数量级的训练集上训练的MOF专用气体捕获模型，误差降低80%以上，达到实验不确定度之内。

团队将优势归因于训练数据的物理多样性与理论水平选择，其中仅占1.7%的分子动力学模拟对MLIP稳定性起到决定性作用。MOF是碳捕集、气体分离与储能的关键材料平台，uMOF数据集、基准与模型的开放发布，将显著降低该领域高通量筛选与精细模拟的门槛。 （来源：arXiv）