Stanford ve diğer önde gelen üniversitelerden araştırmacılar, metal-organik çerçevelerin (MOF) tasarımını devrim niteliğinde değiştirebilecek yapay zeka sistemi EGMOF'u (Efficient Generation of MOFs) geliştirdi. Bu hibrit sistem, malzeme biliminin en büyük zorluklarından birini çözmeyi hedefliyor: istenilen özelliklere sahip malzemeleri hızlı ve verimli şekilde tasarlamak.
EGMOF'un en dikkat çekici özelliği iki aşamalı modüler yaklaşımı. İlk aşamada Prop2Desc adlı difüzyon modeli, hedeflenen özellikleri kimyasal açıdan anlamlı tanımlayıcılara dönüştürüyor. İkinci aşamada ise Desc2MOF transformer modeli, bu tanımlayıcılardan gerçek MOF yapılarını üretiyor. Bu ayrım, sistemin her yeni özellik için sıfırdan eğitilmesi ihtiyacını ortadan kaldırıyor.
Geleneksel üretken modeller büyük veri setleri gerektirirken, EGMOF küçük veri koşullarında bile yüksek doğruluk sağlıyor. Hidrojen tutma kapasitesi testlerinde %94'ün üzerinde doğruluk oranı elde eden sistem, enerji depolama, gaz ayrıştırma ve kataliz gibi kritik uygulamalarda kullanılabilir. Bu gelişme, malzeme tasarımını deneme yanılma sürecinden çıkarıp hedefli bir bilim dalına dönüştürme potansiyeli taşıyor.