原子だけでは不十分か？金属有機構造体における炭素回収とガス分離のための説明可能グラフニューラルネットワーク

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:A novel GNN architecture with pore-aware representation and a trust framework that significantly improves prediction accuracy and interpretability for MOF gas separation properties.

🏢実務担当者:The public web tool enables rapid screening of MOFs for CO2 capture without deep ML expertise, and the trust labels guide experimental validation efforts.

🏛政策担当者:The research supports the development of advanced carbon capture materials, aligning with global CCUS deployment goals and Japan's Green Growth Strategy.

原子だけで金属-有機構造体（MOF）をグラフニューラルネットワークで表現できるだろうか？主流の結晶グラフニューラルネットワークはこれを前提としており、各MOFをその原子のみを通じて符号化し、細孔空間は自然に出現するものとして残している。我々はPoreGCNを導入する。これは不均一グラフニューラルネットワークであり、Voronoi由来の細孔頂点が専用の原子-細孔エッジを介して原子と並置され、吸着と分離を支配する空洞をモデルに直接視認させるものである。細孔頂点の追加は、スクリーニングにとって最も重要な特性において大きな改善をもたらす。2,737個の実在CoRE MOFにおいて、最大空洞直径R2は原子のみのベースラインでの0.07からPoreGCNでは0.95へと上昇する。51,163個の仮想hMOF構造では、PoreGCNは5つの幾何学的特性にわたって0.91から0.99のR2に達し、log10(CO2/N2)選択性ではR2 = 0.86に達する。原子を細孔とともに保持することはまた、2つの相補的な帰属チャネルを解放する。細孔ブランチはどの空洞が予測を駆動するかを特定し、原子ブランチはそれらの空洞を、それらに責任を持つ金属ノードとリンカー化学にまで遡って追跡する。これは細孔のみのモデルにはできないことである。これら2つのチャネル間の一致は、アンサンブルコンセンサスと組み合わせることで、モデルの集団レベルの精度に関係なく、実行に値する個別予測とさらなる検証を必要とする予測を分離する4シナリオの信頼性フレームワークを定義する。信頼できる選択性予測は、20%相対誤差閾値において83.8%の精度であり、信頼できないサブセットの8.3%に対して、同じモデルとテスト分割で約10倍の精度向上となる。このシグナルは分布シフト、すなわち実務上最も重要な条件を生き延び、独立した外部データセットとしての実在CoRE MOFにおいて1.3倍から2.0倍の濃縮を維持し、集団レベルの較正が完全に失われた場合でも同様である。PoreGCNはまた、確立された化学を独立に再現し、CO2/N2選択性においてフッ素化リンカーとZrクラスター二次構築単位を最高位にランク付けする。予測、信頼性ラベル、および原子ごとの帰属は、公開ウェブツールを通じて利用可能である。https://huggingface.co/spaces/catenate/PoreGCN

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Are atoms enough to represent metal-organic frameworks (MOFs) in a graph neural network? Dominant crystal graph neural networks assume so, encoding each MOF entirely through its atoms and leaving pore space to emerge on its own. We introduce PoreGCN, a heterogeneous graph neural network in which Voronoi-derived pore vertices sit alongside atoms via dedicated atom-to-pore edges, giving the model a direct view of the cavities that govern adsorption and separation. Adding pore vertices produces large gains on the properties that matter most for screening. On the 2,737 real CoRE MOFs, the largest cavity diameter R2 rises from 0.07 under an atom-only baseline to 0.95 under PoreGCN. On the 51,163 hypothetical hMOF structures, PoreGCN reaches R2 between 0.91 and 0.99 across five geometric properties and R2 = 0.86 on log10(CO2/N2) selectivity. Retaining atoms alongside pores also unlocks two complementary attribution channels, the pore branch identifies which cavities drive a prediction, and the atom branch traces those cavities back to the metal nodes and linker chemistry responsible for them, something a pore-only model cannot do. Agreement between these two channels, combined with ensemble consensus, defines a four-scenario trust framework that separates individual predictions worth acting on from those requiring further validation, regardless of the model's population-level accuracy. Trustworthy selectivity predictions are 83.8% accurate at the 20% relative-error threshold against 8.3% for the untrustworthy subset, a roughly tenfold precision lift on the same model and test partition. The signal survives distribution shift, the condition that matters most in practice, maintaining a 1.3 to 2.0-fold enrichment on real CoRE MOFs as an independent external dataset, even where population-level calibration has been lost entirely. PoreGCN also recovers established chemistry independently, ranking fluorinated linkers and Zr-cluster secondary building units highest for CO 2 /N 2 selectivity. Predictions, trust labels, and per-atom attributions are available through a public web tool. https://huggingface.co/spaces/catenate/PoreGCN

• openalex https://doi.org/10.26434/chemrxiv.15004189/v1first seen 2026-06-04 05:01:52 · last seen 2026-06-17 07:13:17