Ein neuartiges, frei zugängliches Tool, das von Ingenieurforschern der University of Toronto entwickelt wurde, soll die Art und Weise, wie Wissenschaftler sich in der schnell wachsenden Welt der metallorganischen Gerüste (MOFs) zurechtfinden, revolutionieren. Diese vielseitigen Materialien, die für ihre ultragroße Oberfläche und ihre einstellbare Chemie geschätzt werden, bergen ein enormes Potenzial in Bereichen, die von der Arzneimittelabgabe und Katalyse bis zur Kohlenstoffabscheidung reichen. Allerdings ist es zu einer großen Herausforderung geworden, mit dem immer schneller werdenden Umfang der MOF-Forschung Schritt zu halten – eine, die dieses neue Tool mit dem Namen MOF-ChemUnity direkt angeht.
Das Versprechen und die Komplexität von MOFs
Metallorganische Gerüste zeichnen sich durch ihre außergewöhnliche Oberfläche aus – einige Varianten weisen bis zu 7.000 m²/g auf, sodass ein einziges Gramm genug innere Oberfläche enthält, um ein Fußballfeld zu bedecken. Diese einzigartige Struktur ermöglicht ein breites Anwendungsspektrum. MOFs können als Molekularsiebe fungieren, die selektiv Kohlendioxid aus Gasgemischen einfangen, oder als Sensoren, die Spuren von Molekülen erkennen. Ihre katalytischen Eigenschaften können industrielle Reaktionen beschleunigen, während ihre poröse Struktur eine kontrollierte Wirkstofffreisetzung ermöglicht.
Die Bedeutung von MOFs wurde kürzlich durch den Nobelpreis für Chemie 2025 unterstrichen. Doch das schiere Wachstum der Forschung – die sich über 25 Anwendungsbereiche erstreckt – hat zu einem Wissensengpass geführt, der sowohl menschliche Forscher als auch die KI-Tools, die sie unterstützen sollen, behindert.
Einführung in MOF-ChemUnity: Ein strukturierter Wissensgraph
Das Team von Professor Mohamad Moosavi am Department of Chemical Engineering & Applied Chemistry und am Vector Institute hat MOF-ChemUnity entwickelt, um diese Herausforderung zu meistern. Das Tool fungiert als strukturierter, skalierbarer Wissensgraph, der systematisch Informationen aus MOF-Forschungsarbeiten, Kristallstruktur-Repositories und Computermaterialdatenbanken extrahiert und verknüpft.
Im Kern nutzt MOF-ChemUnity einen LLM-Workflow (Multi-Agent Large Language Model), um chemische Namen in der wissenschaftlichen Literatur mit den entsprechenden Kristallstrukturen zu verknüpfen. Dadurch können Syntheseabläufe, Materialeigenschaften und mögliche Anwendungen in einem einheitlichen, maschinenlesbaren Format dargestellt werden.
„Wissenschaftliche Entdeckungen beginnen mit dem Lesen und Zusammenfassen der Literatur, aber dies bleibt einer der am schwierigsten zu automatisierenden Schritte“, erklärt Moosavi. „MOF-ChemUnity schafft eine einheitliche Grundlage, auf der sowohl Forscher als auch KI-Systeme aufbauen können.“
Reduzierung von KI-„Halluzinationen“ durch fundierte Literatur
Das Team demonstrierte die Wirkung seines Systems, indem es den Wissensgraphen mit LLMs integrierte, um einen literaturbasierten KI-Assistenten für MOFs zu erstellen. Im Gegensatz zu Standard-KI-Systemen, die dazu neigen, plausible, aber falsche Aussagen („Halluzinationen“) zu generieren, stützt sich dieser Assistent auf verifizierte experimentelle und rechnerische Aufzeichnungen.
In von MOF-Experten durchgeführten Blindbewertungen wurden die Antworten des Assistenten durchweg als genauer, interpretierbarer und vertrauenswürdiger bewertet als die Antworten von Basis-LLMs wie GPT-4o. Durch die Verankerung von KI-Antworten in kuratierter und verlinkter Literatur reduziert das System das Risiko unzuverlässiger wissenschaftlicher Argumentation erheblich.
„Dieser Ansatz reduziert Halluzinationen, die eines der größten Hindernisse bei der Anwendung großer Sprachmodelle auf wissenschaftliche Bereiche darstellen“, sagt Moosavi.
Open-Access und zukünftige Implikationen
Das U of T-Team – unter der Leitung von Moosavi sowie den wichtigsten Mitwirkenden Thomas Pruyn und Amro Aswad – hat den Datensatz und den Code offen auf GitHub verfügbar gemacht und so den kontinuierlichen Fortschritt in der Materialwissenschaft und der KI-gesteuerten Forschung gefördert.
Moosavi sieht MOF-ChemUnity als Sprungbrett für einen umfassenderen Wandel in der Art und Weise, wie wissenschaftliches Wissen organisiert und zugänglich gemacht wird. Das Tool bricht Silos in der Forschung auf und ermöglicht es KI-Systemen, Daten bereichsübergreifend zu verarbeiten, wodurch die Grenzen menschlicher Forscher überschritten werden.
„Menschenforscher sind durch die Anzahl der Artikel, die sie lesen können, begrenzt, aber MOF-ChemUnity macht einen ersten Schritt hin zur Entwicklung von KI-Systemen, die Daten bereichsübergreifend verarbeiten können. Es etabliert ein neues Paradigma für literaturgestützte Entdeckungen.“
Diese Arbeit beschleunigt nicht nur die Entdeckung von Materialien, sondern legt auch den Grundstein für allgemeine Wissenssysteme, die die Forschung in mehreren wissenschaftlichen Disziplinen revolutionieren können
