KI und die schwierigen Probleme der Welt · Chemie & Materialien · arXiv · 2026-10-21
MOFFieldBench: Ein Machine-Learning-Benchmark für kontinuierliche elektronische Felder in Metall-organischen Gerüstverbindungen
Originaltitel: MOFFieldBench: A Machine Learning Benchmark for Continuous Electronic Fields in Metal-Organic Frameworks
Machine-Learning-Modelle für metall-organische Gerüstverbindungen (MOFs) stützen sich überwiegend auf atomare Strukturen, während Elektronendichte- und elektrostatische Potenzialfelder bislang wenig erforscht sind, weil First-Principles-Berechnungen kostspielig sind und systematisch abgeglichene Datensätze rar sind. MOFFieldBench ist ein multimodaler Benchmark mit etwa 46,000 MOFs, deren kristallographische Strukturen, ED-Felder und ESP-Felder eins zu eins ausgerichtet sind, zusammen mit einem einheitlichen Workflow, der Feldgenerierung, fehlerkontrollierte Kompression und dünnbesetzte Punktwolken-Repräsentation für Aufgaben wie Feldrekonstruktion, die Vorhersage von 13 Materialeigenschaften, multimodale Vorhersage und modalübergreifendes Retrieval abdeckt. ED- und ESP-Felder erweisen sich bei Porengeometrie sowie Adsorptions- und Trennungseigenschaften als konkurrenzfähig, multimodale Fusion verbessert mehrere Vorhersageaufgaben gegenüber der besten unimodalen Referenz, und die Initialisierung von Self-Consistent-Field-Berechnungen mit vorhergesagten Dichten senkt die Rechenzeit in gepaarten Tests im Durchschnitt um 13.59%.