أظهرت الأطر المعدنية العضوية (MOFs) إمكانات كبيرة في تطبيقات مثل تخزين الغاز، والفصل، والحفز، وإيصال الأدوية، وذلك بفضل بنيتها المسامية القابلة للتعديل بدرجة عالية ووظائفها الكيميائية الغنية. ومع ذلك،تتمتع المواد العضوية المعدنية بمساحة تصميم واسعة تشمل تريليونات من التركيبات الممكنة من وحدات البناء، مما يجعل الاستكشاف التجريبي غير فعال للغاية.

لتسريع اكتشاف الأطر المعدنية العضوية، ظهرت مسارات حسابية تهدف إلى توليد أطر معدنية عضوية جديدة، والتنبؤ بخصائصها، وتحقيق تركيبها في نهاية المطاف. في هذه العملية،يكمن التحدي الرئيسي في انخفاض معدل التحويل من مرحلة الفحص إلى مرحلة التركيب.ينبع هذا في الغالب من عدم اليقين المحيط بجدوى تصنيع الأطر المعدنية العضوية (MOFs) باستخدام الحاسوب. فعلى سبيل المثال، من بين آلاف عمليات الفحص الحاسوبية للأطر المعدنية العضوية المنشورة حتى الآن، لم يُرفق بتصنيع الأطر المعدنية العضوية سوى حوالي اثنتي عشرة عملية فقط.

تُعدّ الطاقة الحرة مؤشرًا هامًا لتقييم الاستقرار الديناميكي الحراري وقابلية تصنيع الأطر المعدنية العضوية (MOFs)، إلا أن الطرق الحسابية التقليدية مكلفة عند التعامل مع مجموعات بيانات الأطر المعدنية العضوية واسعة النطاق، مما يُصعّب عملية الفرز السريع. ولمعالجة هذا التحدي، اقترح فريق بحثي مشترك من جامعة برينستون وكلية كولورادو للمناجم طريقة تنبؤ فعّالة تعتمد على التعلّم الآلي.باستخدام نماذج اللغة الكبيرة (LLM) للتنبؤ مباشرة بالطاقة الحرة من التسلسل الهيكلي لـ MOFs، يمكن تقليل التكاليف الحسابية بشكل كبير، مما يتيح تقييمًا ديناميكيًا حراريًا عالي الإنتاجية وقابلًا للتطوير لـ MOFs.يُظهر النموذج تنوعًا عاليًا دون الحاجة إلى إعادة التدريب: تصل درجة F1 الخاصة به إلى 97% عند تحديد ما إذا كانت الطاقة الحرة لـ MOFs أعلى أو أقل من عتبة الجدوى التركيبية القائمة على التجربة.

تم نشر نتائج البحث ذات الصلة، بعنوان "التنبؤ الدقيق والسريع للغاية بالطاقة الحرة لـ MOF عبر التعلم الآلي"، في منشورات ACS.

أبرز الأبحاث:

* بناءً على هذا النموذج، يمكن للباحثين التنبؤ بالطاقة الحرة بدقة عالية ومحاكاة نتائج عمليات المحاكاة الجزيئية الكاملة دون إعادة التدريب، وبالتالي تحديد جدوى تصنيع MOFs.

* يمكن الآن إنجاز العمل الذي كان يتطلب الكثير من الوقت في المختبر أو من خلال عمليات المحاكاة الجزيئية في وقت ضئيل للغاية.

توفر هذه الطريقة نهجًا عمليًا لاستخدام التنبؤ بالطاقة الحرة باستخدام التعلم الآلي كأداة فحص مبكرة أو متأخرة في فحص MOF الحسابي القائم على الأداء.

عنوان الورقة:
https://pubs.acs.org/doi/10.1021/jacs.5c13960
تابع حسابنا الرسمي على WeChat وأجب بعبارة "توقعات الطاقة المجانية" في الخلفية للحصول على ملف PDF كامل.

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي: 

https://hyper.ai/papers

MOFMinE: تغطية مليون نموذج أولي من MOF

لدعم تدريب النموذج،قام فريق البحث بإنشاء مجموعة بيانات ضخمة من MOFs، وهي MOFMinE، تغطي ما يقرب من مليون نموذج أولي من MOFs.يتضمن ذلك معلومات حول العملية بأكملها بدءًا من اختيار المكونات ورسم خرائط قوالب الطوبولوجيا وصولاً إلى التعديلات الوظيفية، كما هو موضح في الشكل التالي:

طريقة البناء

تم إنشاء مجموعة البيانات باستخدام منصة ToBaCCo-3.0. يتم إنشاء كل إطار معدني عضوي (MOF) عن طريق رسم وحداته البنائية المكونة له على قالب طوبولوجي تم تعديل حجمه ليناسب حجم الوحدة البنائية. يوجه هذا القالب الترتيب المكاني والترابط بين الوحدات البنائية داخل خلية الوحدة في الإطار المعدني العضوي. تُصنف وحدات ToBaCCo البنائية إلى وحدات بنائية عقدية (NBBs) ووحدات بنائية طرفية (EBBs) بناءً على موقع رسمها: تُرسم الوحدات البنائية العقدية على رؤوس القالب، بينما تُرسم الوحدات البنائية الطرفية على حواف القالب. يمكن أن تكون الوحدات البنائية العقدية غير عضوية أو عضوية، حيث تتوافق الوحدات البنائية العقدية غير العضوية مع ما يُسمى بوحدات البناء من الدرجة الثانية (SBUs) في الإطار المعدني العضوي، بينما تتحد الوحدات البنائية العقدية العضوية مع الوحدات البنائية الطرفية لتشكيل روابط الإطار المعدني العضوي.

حجم البيانات وتنوعها

يحتوي MOFMinE على 1393 قالبًا طوبولوجيًا، و27 NBBs غير عضوية، و14 NBBs عضوية، و19 EBBs أساسية، ويغطي 13 تعديلًا وظيفيًا، مما يضمن التنوع في الهياكل الكيميائية والطوبولوجية.تحتوي قاعدة البيانات على نسبة فراغ تتراوح من 0.01 إلى 0.99، ومساحة سطح (GSA) تتراوح من 26 إلى 8382 م²/غ، وحجم مسام أقصى (LPD) يتراوح من 2.6 إلى 127.7 أنغستروم، مما يغطي بالكامل المساحة الهيكلية لـ MOFs.

مجموعة فرعية من الطاقة الحرة

من بين هذه النماذج الأولية البالغ عددها مليون نموذج أولي من MOF، جمعت مجموعة فرعية مكونة من 65574 هيكلاً بيانات الطاقة الحرة.تحتوي هذه المجموعة الفرعية على 379 قالبًا طوبولوجيًا، و6 قوالب أساسية غير عضوية، و11 قالبًا أساسيًا عضويًا، و12 قالبًا أساسيًا مع 13 تعديلًا وظيفيًا. تتراوح خصائص المسامية لهذه المجموعة الفرعية بين: Vf من 0.01 إلى 0.97، وGSA من 38 إلى 7304 م²/غ، وLPD من 2.6 إلى 87.8 أنغستروم. استُخدمت هذه البيانات لضبط تنبؤات الطاقة الحرة واختبار نماذج LLM.

نموذج MOFSeq-LMM للتنبؤ الفعال بالطاقة الحرة لإطارات الفلزات العضوية

بدعم من مجموعة بيانات MOFMinE،قام فريق البحث ببناء إطار عمل نموذج MOFSeq-LMM للتنبؤ بكفاءة بالطاقة الحرة لـ MOFs وتحقيق التصميم القائم على البيانات من الهيكل إلى الخصائص.تتمثل الفكرة الأساسية لهذا الإطار في تحويل المعلومات الهيكلية لـ MOFs إلى تمثيل تسلسلي قابل للفهم بواسطة الكمبيوتر (MOFSeq) ودمجها مع نموذج لغوي كبير للتعلم والتنبؤ، مما يقلل بشكل كبير من التكاليف الحسابية مع الحفاظ على المعلومات الفيزيائية والكيميائية.

توصيف MOFSeq

للتغلب على قيود استراتيجيات التمثيل الحالية والاستفادة الكاملة من نماذج اللغة الكبيرة للتنبؤ الشامل بخصائص MOF،قام الباحثون بتطوير MOFSeq. هذه الطريقة الجديدة لتمثيل التسلسل القائمة على السلاسل هي طريقة مختصرة وغنية بالمعلومات، حيث تقوم بترميز السمات الهيكلية المحلية والعالمية لـ MOFs بطريقة محسنة.وهذا يُمكّن من معالجة نماذج اللغة بكفاءة وقابلية للتوسع.

في برنامج MOFSeq، تتضمن المعلومات المحلية بشكل أساسي التركيب الذري للوحدات البنائية ومعلومات الاتصال الداخلي بينها؛ بينما تتضمن المعلومات العامة بشكل أساسي أوصافًا عالية المستوى للوحدات البنائية في إطار MOF وأنماط الاتصال بينها. تُستخلص المعلومات المحلية باستخدام أداة MOFid، بينما تعتمد المعلومات العامة على برنامج ToBaCCo-3.0، كما هو موضح في الشكل أدناه.

إنشاء قاعدة بيانات MOFs ومعالجة البيانات

بعد إنشاء مجموعة بيانات MOFMinE بناءً على الطريقة الموضحة أعلاه، تم تحسين جميع نماذج MOF الأولية التي تم إنشاؤها بواسطة ToBaCCo باستخدام مجال القوة UFF4MOF في LAMMPS (إصدار 29 أكتوبر 2020) للحصول على هياكل MOF النهائية.

تحتوي مجموعة البيانات المُنشأة باستخدام ToBaCCo-3.0 على اسم MOF وملف CIF الخاص به فقط كتمثيل لكل MOF. بينما يتطلب MOFSeq كلاً من اسم MOF ومعرف MOF.وللحصول على MOFid، استخدم الباحثون مولد MOFid الذي طوره Bucior et al.يمكن لهذا المولد إنشاء MOFid و MOFkey في وقت واحد بناءً على بنية CIF الخاصة بـ MOF.

في نهاية المطاف، قُسّمت عينات التدريب المسبق لنموذج MOFSeq البالغ عددها 793,079 عينة إلى ثلاث مجموعات: مجموعة تدريب تضم 634,463 عينة، ومجموعة تحقق تضم 79,308 عينات، ومجموعة اختبار تضم 79,308 عينات. كما قُسّمت نقاط بيانات الضبط الدقيق لنموذج MOFSeq البالغ عددها 54,443 نقطة إلى ثلاث مجموعات: مجموعة تدريب تضم 43,554 عينة، ومجموعة تحقق تضم 5,444 عينة، ومجموعة اختبار تضم 5,445 عينة.

تصميم نموذج LLM-Prop

وبناءً على توصيف MOFSeq، استخدم فريق البحث LLM-Prop، وهو نموذج لغوي كبير مصمم خصيصًا للتنبؤ بخصائص المواد. يتميز نموذج LLM-Prop بحجمه المتوسط نسبيًا، إذ يحتوي على حوالي 35 مليون مُعامل، مما يضمن سهولة التعلم وكفاءة الحساب. تم ضبط طول مُدخلات النموذج على 2000 رمز، وهو ما يكفي لاستيعاب معلومات التسلسل الهيكلي لمعظم الأطر المعدنية العضوية. ومن خلال آلية الانتباه، يستطيع النموذج رصد تأثير المكونات والطوبولوجيات المختلفة على الطاقة الحرة في التسلسل بشكل تكيفي، مما يُشكل تمثيلًا تفاعليًا للخصائص العامة والمحلية.

التدريب المسبق والضبط الدقيق

* مرحلة ما قبل التدريب:

قام الباحثون بتدريب نموذج LLM-Prop للتنبؤ بطاقات الإجهاد في الأطر المعدنية العضوية باستخدام تمثيل MOFSeq. تم اختيار طاقة الإجهاد لانخفاض تكلفتها الحسابية وارتباطها الوثيق بالطاقة الحرة. استُخدمت معدلات تسرب بيانات بلغت 0.2 و0.5 خلال التدريب الأولي، وأظهرت النتائج أن معدل التسرب 0.2 كان الأفضل أداءً في كلٍ من التدريب الأولي والمهام اللاحقة. تم ضبط طول مدخلات MOFSeq على 2000 رمز.

مرحلة الضبط الدقيق:

الإعداد مماثل للتدريب المسبق، ولكن تم تغيير هدف النموذج إلى التنبؤ بالطاقة الحرة، وزيادة عدد دورات التدريب إلى 200. صُمم نموذج LLM-Prop ليكون نموذجًا خفيفًا، بحجم يُقارب 1/2000 من حجم نموذج Llama 2، مع إعطاء الأولوية للكفاءة الحسابية. يُؤدي هذا التصميم إلى مفاضلة: فمقارنةً بضبط نماذج LLM الكبيرة (مثل Llama 2 أو GPT-2)، يتطلب LLM-Prop عددًا أكبر من دورات التدريب لتحقيق أداء عالٍ، ولكن صغر حجمه يجعل التدريب ممكنًا وفعالًا.

بلغت دقة التنبؤ بتخليق MOF 97%.

بعد تدريب نموذج MOFSeq-LMM، قيّم فريق البحث أداءه بشكل منهجي في التنبؤ بالطاقة الحرة، وتقييم جدوى التخليق، وفحص أشكال MOF المتعددة. لم تؤكد النتائج التجريبية دقة النموذج العالية فحسب، بل أبرزت أيضًا إمكاناته التطبيقية في تصميم وفحص MOF عالي الإنتاجية.

أداء التنبؤ بالطاقة المجانية

أولاً،قام الفريق بتقييم أداء التنبؤ بالطاقة الحرة لـ LLM-Prop على عينات MOF غير معروفة.تظهر النتائج أن النموذج يمكنه التنبؤ بدقة بالطاقة الحرة بمتوسط خطأ مطلق (MAE) قدره 0.789 كيلوجول/مول MOFatom، مع تحقيق ارتباط عالٍ R² = 0.990، كما هو موضح في الشكل ب أدناه.وهذا يعني أن النموذج يمكن أن يقدم تنبؤات قريبة من القيم الحقيقية في الغالبية العظمى من عينات MOF.

في مرحلة التدريب المسبق، تم تدريب النموذج باستخدام بيانات طاقة الإجهاد، محققًا متوسط خطأ مطلق (MAE) قدره 0.623 كيلوجول/مول من ذرات الفلز العضوي (MOFatom) ومعامل تحديد (R²) قدره 0.965، كما هو موضح في الشكل (أ). يشير هذا الارتباط العالي إلى أن بيانات طاقة الإجهاد يمكن أن توفر معلومات أولية فعالة للتنبؤ بالطاقة الحرة، مما يؤكد صحة استراتيجية التدريب المسبق التي اتبعها فريق البحث. ويُظهر تحليل إضافي وجود ارتباط قوي بين طاقة الإجهاد المُدرَّبة مسبقًا والطاقة الحرة المُحسَّنة، مما يُبرز قيمة طاقة الإجهاد كمؤشر بديل منخفض التكلفة في تدريب النموذج.

نتائج تجربة الاستئصال

للحصول على فهم أعمق لمصادر أداء النموذج، أجرى الفريق تجارب استبعاد منهجية. فحصت هذه التجارب تأثير الخصائص المحلية، والخصائص العامة، والتدريب المسبق على التنبؤ بالطاقة الحرة. النتائج موضحة في الجدول أدناه:

الميزات المحلية فقط: من خلال التدريب المسبق، انخفض متوسط الخطأ المطلق من 1.242 إلى 1.168 كيلوجول/مول MOFatom، وزاد R² من 0.971 إلى 0.974، مما يشير إلى أن التدريب المسبق يمكن أن يحسن قدرة النموذج على التعميم عندما تكون الميزات المحلية محدودة.

* الميزات العالمية فقط:

يُعدّ الأداء أفضل بكثير من استخدام الميزات المحلية فقط، حيث انخفض متوسط الخطأ المطلق (MAE) إلى أقل من 1.0 كيلوجول/مول من طاقة ذرة جزيئية (MOFatom)، وارتفع معامل التحديد (R²) إلى حوالي 0.980. وكان للتدريب المسبق تأثير ضئيل نسبيًا في هذه الحالة (انخفض متوسط الخطأ المطلق من 0.994 إلى 0.989 كيلوجول/مول من طاقة ذرة جزيئية، وارتفع معامل التحديد من 0.979 إلى 0.980)، مما يشير إلى أن الميزات العامة نفسها تحتوي على معلومات أكثر عن المهمة، وتتطلب اعتمادًا أقل على التدريب المسبق لتحقيق تعلم فعال.

* مزيج من الخصائص المحلية والعالمية:

بفضل دعم التدريب المسبق، حقق النموذج أداءً مثاليًا مع متوسط خطأ مطلق قدره 0.789 كيلوجول/مول من MOFatom و R² قدره 0.990، مما يدل على أن التأثير التآزري لنوعي الميزات أمر بالغ الأهمية لتحسين دقة التنبؤ.

توضح تجربة الاستئصال هذه بوضوح أن تصميم الميزات العالمية والمحلية واستراتيجية التدريب المسبق لـ MOFSeq هي العناصر الأساسية لتحسين القدرة التنبؤية للنموذج.

تقييم جدوى عملية التركيب

في التطبيقات الصناعية، تكمن المهمة الأكثر أهمية في تحديد جدوى تصنيع الأطر المعدنية العضوية (MOFs)، بدلاً من التركيز فقط على القيمة المطلقة للطاقة الحرة. قام فريق البحث بتحديد قيمة ΔL_MFFL (مؤشر يعتمد على تصحيح الطاقة الحرة) عند عتبة 4.4 كيلوجول/مول من ذرة الفلز العضوي، وأجرى تصنيفًا ثنائيًا لتوقع جدوى تصنيع الأطر المعدنية العضوية. تظهر النتائج التجريبية في الشكل أدناه.

* بلغت نتيجة F1 97% - مما يدل على قدرة النموذج الجيدة على التعميم.

* تبلغ المساحة تحت منحنى ROC (AUC) 0.98 - والتي يمكن فهمها في النهاية على أنها احتمال التقييم غير الصحيح إذا حدد النموذج أنه يمكن تصنيع MOF معين وهو حوالي 2% فقط.

فحص الأطر المعدنية العضوية متعددة الأشكال

بالنسبة لأنظمة MOF ذات التعدد الشكلي،وقد أكدت التجربة كذلك قدرة النموذج على تحديد الشكل البلوري الأكثر استقراراً.من بين 7490 عائلة متعددة الأشكال، تحتوي كل منها على 2-50 شكلًا متعدد الأشكال، يمكن للنموذج أن يختار الشكل الأكثر استقرارًا بشكل صحيح بفارق طاقة حرة يبلغ 0.16 كيلوجول/مول MOFatom فقط، بمعدل نجاح يبلغ حوالي 63%؛ عندما يزداد فرق الطاقة الحرة إلى 0.49 كيلوجول/مول MOFatom، يزداد معدل النجاح إلى 89%.

بشكل عام، يحقق النموذج معدل نجاح متوسط يبلغ حوالي 781 TP3T في مهمة التعرف على تعدد الأشكال.كما هو موضح في الشكل أدناه، فإن له قيمة كبيرة في التنبؤ عالي الإنتاجية قبل الفحص التجريبي.

من منظور التطبيق العملي، إذا حدد نموذج LLM إمكانية تصنيع تصميم معين لإطار معدني عضوي (MOF) بناءً على تقييم الاستقرار الديناميكي الحراري والتنافس بين الأشكال المتعددة، فإن احتمالية صحة هذا التصميم تتراوح بين 76% و98% تقريبًا. وتتوافق الاحتمالية الأعلى مع الحالة التي لا يحتوي فيها الإطار المعدني العضوي على أشكال متعددة متنافسة.

تعمل تقنيات الذكاء الاصطناعي على إعادة تشكيل نموذج أبحاث الأطر المعدنية العضوية وعلوم المواد.

8 أكتوبر 2025قررت الأكاديمية الملكية السويدية للعلوم منح جائزة نوبل في الكيمياء لعام 2025 إلى البروفيسور سوسومو كيتاغاوا من جامعة كيوتو، والبروفيسور ريتشارد روبسون من جامعة ملبورن، والبروفيسور عمر ياغي من جامعة كاليفورنيا، بيركلي، تقديراً لمساهماتهم البحثية في مجال MOFs.بالنظر إلى الوراء من هذه اللحظة التاريخية، نجد أن أبحاث الأطر المعدنية العضوية قد قطعت شوطاً كبيراً على مدى أكثر من 30 عاماً من التطور، حيث انتقلت تدريجياً من مرحلة البناء الهيكلي الأولي واستكشاف التركيب إلى ضبط الأداء وتوسيع نطاق التطبيقات والتصنيع. وبعد هذا الإنجاز، يرحب علم المواد بمتغير جديد، ألا وهو الانخراط العميق للذكاء الاصطناعي الذي يُعيد تشكيل نموذج البحث ووتيرة الابتكار في مجال الأطر المعدنية العضوية، بل وفي مجال علم المواد بأكمله.

استجابةً لتحدي عالم واسع ومعقد من الأطر المعدنية العضوية يفتقر إلى اصطلاحات تسمية موحدة، في أكتوبر 2025،اقترح فريق بحثي من جامعة تورنتو ومركز أبحاث ابتكار الطاقة النظيفة التابع للمجلس الوطني للبحوث في كندا MOF-ChemUnity: وهو عبارة عن رسم بياني معرفي منظم وقابل للتطوير والتوسيع.تستخدم هذه الطريقة نموذج LLM لإنشاء مطابقة دقيقة بين أسماء إطارات الفلزات العضوية (MOFs) ومرادفاتها في المراجع العلمية، وبين البنى البلورية المسجلة في قاعدة بيانات CSD، مما يُحقق التمييز بين أسماء إطارات الفلزات العضوية ومرادفاتها والبنى البلورية. في الإصدار الحالي، يدمج برنامج MOF-ChemUnity ما يقارب 10,000 مقالة علمية وأكثر من 15,000 بنية بلورية من قاعدة بيانات CSD وخصائصها الكيميائية المحسوبة، مُقدمة بصيغة قابلة للتشغيل الآلي.

عنوان الورقة البحثية: MOF-ChemUnity: نماذج لغوية كبيرة مستمدة من الأدبيات لأبحاث الأطر المعدنية العضوية
عنوان الورقة:https://pubs.acs.org/doi/10.1021/jacs.5c11789

في التصميم العقلاني لمواد MOF، لطالما شكل التنبؤ بالبنية قبل التخليق تحديًا رئيسيًا لتحقيق تخليق فعال وموجه لهذه المواد. ولمعالجة هذا التحدي،قام فريق بقيادة البروفيسورين كوي يونغ وغونغ وي في جامعة شنغهاي جياو تونغ بتطوير سير عمل للتعلم الآلي يعتمد على البيانات، مما يتيح التنبؤ السريع والدقيق بنوع العقدة المعدنية في MOFs.تستخدم هذه الطريقة المعلومات البنيوية للروابط العضوية كمدخلات، وتُنشئ علاقة ربط بين خصائص الروابط وأنواع العقد المعدنية من خلال نموذج تعلّم آلي، مما يُتيح التنبؤ الفعال بأنواع العقد المعدنية التي قد تتشكل قبل عملية التخليق. وقد حقق نموذج التنبؤ المُدرَّب والمُحسَّن للتعلم الآلي دقة تنبؤ بلغت 91%، ودقة 89%، واستدعاء 85% على مجموعة الاختبار.

عنوان الورقة البحثية: التنبؤ بأنواع العقد المعدنية في الأطر المعدنية العضوية بمساعدة التعلم الآلي القائم على البيانات لتوجيه تصميم الروابط واستهداف الفصل العكسي لـ C3H8/C3H6
عنوان الورقة:http://engine.scichina.com/doi/10.1007/s11426-025-2917-4

غالبًا ما تبدأ أبحاث الأطر المعدنية العضوية التقليدية بالبنية أو الخصائص، ثم تقترب تدريجيًا من المادة المستهدفة من خلال التحكم في المتغيرات المحلية وإجراء تجارب أو حسابات مكثفة. مع ذلك، في هذه الأعمال الجديدة، تتغير نقطة البداية نفسها؛ إذ يقوم الباحثون أولًا ببناء أنظمة تمثيل مواد قابلة للتنفيذ حسابيًا ومعقولة، ثم يسمحون للنماذج بتعلم أي التركيبات البنيوية معقولة فيزيائيًا، ومجدية ديناميكيًا حراريًا، وذات قيمة تركيبية. عندما تستطيع النماذج تقديم أحكام موثوقة ديناميكيًا حراريًا وبنيويًا بسرعة في فضاء بنيوي بمقياس مليون، سيتحول تركيز أبحاث المواد إلى مستوى أعلى، من "كيفية الحساب والقياس" إلى "كيفية تحديد المشكلة، وبناء التمثيلات، ووضع حدود القرار". قد تكون هذه هي القفزة المنهجية التالية التي تستعد أبحاث الأطر المعدنية العضوية لتحقيقها بعد أكثر من ثلاثين عامًا من التراكم البنيوي والكيميائي.

مراجع:

1.https://pubs.acs.org/doi/10.1021/jacs.5c13960
2.https://phys.org/news/2026-01-tool-narrows-ideal-metal-frameworks.html