System of Agentic AI for the Discovery of Metal-Organic Frameworks

Motivation

• Known: 기존에도 diffusion model 기반 생성 모델(예: AlphaFold, 무기 결정 생성 모델)이 재료 발견을 가속화할 수 있음이 입증되었고, DFT 등 양자역학 계산과 오픈 데이터베이스, MLFF 등이 화학 공간 탐색과 안정적 후보 재료 대규모 발굴에 기여해왔다.
• Gap: MOF는 크고 복잡한 3차원 프레임워크 구조, 다양한 화학적 조성과 topology를 가져 기존 diffusion model이 다루기 어려우며, 특히 합성가능성(synthesizability)은 거의 탐구되지 않아 계산적으로 안정한 후보를 실제 합성으로 이어가는 데 큰 간극이 존재한다.
• Why: 계산적으로 예측된 재료를 실제 실험실에서 합성 가능한 결과로 전환하는 것은 탄소 포집, 물 수확 등 전 지구적 문제 해결에 필수적이며, 이 연구는 생성 모델과 실험 검증을 직접 연결한 최초의 대규모 사례 중 하나로 human-in-the-loop foundation model로 나아가는 중요한 이정표다.
• Approach: 여러 전문화된 AI agent(LLM 조성 생성기, diffusion 기반 구조 생성기, 양자역학 최적화·필터링 agent, 합성가능성 예측 agent)를 상호 연결한 모듈형 시스템 MOFGen을 구축하고, 이를 실험적으로 보고된 모든 MOF 데이터와 계산 데이터베이스로 학습시켜 고속 실험 합성까지 이어지는 파이프라인을 구현하였다.

Achievement

Figure 4: Synthesis strategies and crystal structures of MOFs. Overview of the different strate-

1. 대규모 MOF 구조 생성: CrystalGen을 통해 zinc 기반 MOF에 대해 259,559개의 예측 MOF 구조를 생성하였으며, 이는 기존 최첨단 무기 재료 생성 데이터베이스와 규모가 비슷한 수준이다.
2. 효율적인 사전 스크리닝: QForge가 MACE-MP-0 및 GFN1-xTB를 활용해 251,118개 구조를 성공적으로 최적화하고 Zeo++ 기반 필터링으로 72%를 유지시켜, 비평형 diffusion 생성 구조를 화학적으로 타당한 구조로 정제하였다.
3. 합성가능한 유기 링커 및 후보 발굴: LinkerGen과 SynthABLE을 통해 SA score, SCScore 등 합성가능성 지표를 활용한 링커 조성 생성 및 필터링으로 수십만 개의 합성가능한 유기 링커와 MOF 후보를 도출하였다.
4. 실제 실험 합성 검증: 고속 합성 플랫폼과 LLM 기반 합성 계획을 통해 "AI-dreamt" MOF 5종을 몇 주 내(일부는 며칠 내)에 성공적으로 합성하고 SCXRD/PXRD로 구조를 확인하였다.

How

Figure 1: Overview of MOFGen. 1) MOFMaster: Manages the overall system and serves as

• MOFMaster(LLM)가 생성 옵션(무조건, 특정 metal SBU, 특정 화학 조성)을 지정
• LinkerGen(LLM, in-context learning + chain-of-thought)이 SMILES-to-SMILES 전략으로 실험 링커 데이터 기반 유기 링커 화학식 생성, SA score/SCScore로 합성가능성 평가
• CrystalGen(조성 조건부 all-atom denoising diffusion model)이 MOF를 point cloud로 표현([A,4] 행렬: 좌표+원자번호)하여 256 atom 기준으로 구조 생성, classifier-free guidance 사용
• QForge(저수준 양자역학 agent)가 Zeo++ 필터링, MACE-MP-0 MLFF 최적화, GFN1-xTB 정제를 통해 비평형 구조를 평형에 가깝게 정제
• SynthABLE이 MOF를 building block으로 분해하고 다단계 합성 규칙과 ML 기반 합성가능성 예측기로 평가
• QHarden(고수준 양자역학 agent)이 PBE-D4에서 r2SCAN-D4까지 순차적 기하 최적화로 후보를 정제
• SynthGen이 합성 가능성이 높은 후보를 순위화하고, LLM 기반 합성 계획을 활용한 고속 합성 플랫폼에서 SCXRD/PXRD로 검증

Originality

• LLM, diffusion model, MLFF, 양자역학 계산, 합성가능성 예측을 하나의 상호 연결된 Agentic AI 파이프라인으로 통합한 최초의 시도로, 무기 재료보다 훨씬 복잡한 MOF에 특화된 point-cloud 기반 diffusion 표현을 적용한 점이 독창적이다.
• 단순 계산적 안정성 예측을 넘어 합성가능성(synthesizability)을 명시적 agent(SynthABLE, SynthGen)로 다루며 실제 실험 합성까지 폐루프로 연결한 점이 기존 생성 모델 연구와 차별화된다.
• MACE-MP-0, GFN1-xTB와 같은 범용 MLFF/반경험적 방법을 MOF 구조 대규모 완화(relaxation)에 처음으로 적용한 사례이다.

Limitation & Further Study

• MACE-MP-0가 주로 정적 특성 검증에만 사용되어왔던 모델이라 비평형 MOF 구조 최적화에 대한 신뢰성이 완전히 검증되지 않았으며, 저자들도 이를 non-trivial하다고 인정한다.
• 본 연구는 zinc 기반 MOF에 집중하여 다른 metal SBU에 대한 일반화 가능성이 충분히 검증되지 않았다.
• 5개의 "AI-dreamt" MOF 합성 성공은 고무적이나 전체 후보 대비 매우 낮은 실험 검증 비율로, 시스템의 예측 정확도와 실제 수율/재현성에 대한 보다 광범위한 통계적 검증이 필요하다.
• 발췌된 본문에서 최종 성능 지표(합성 성공률, 정확도 비교)에 대한 구체적 정량 분석이 제한적으로 제시되어 후속 연구에서 더 폭넓은 벤치마킹이 필요하다.

Evaluation

총평: 계산 예측과 실제 실험 합성 사이의 간극을 좁힌 인상적인 성과로, Agentic AI 프레임워크를 재료 발견에 실질적으로 적용한 선구적 연구이며 MOF뿐 아니라 다른 합성가능 재료 발견 분야에도 큰 파급력을 가질 것으로 기대된다.