L'IA face aux grands problèmes du monde · Chimie et matériaux · arXiv · 2026-10-21
MOFFieldBench : un benchmark d'apprentissage automatique pour les champs électroniques continus dans les réseaux métallo-organiques
Titre original: MOFFieldBench: A Machine Learning Benchmark for Continuous Electronic Fields in Metal-Organic Frameworks
Les modèles d'apprentissage automatique consacrés aux réseaux métallo-organiques (MOFs) s'appuient principalement sur les structures atomiques, tandis que les champs de densité électronique et de potentiel électrostatique restent sous-explorés, car les calculs de premiers principes sont coûteux et les jeux de données systématiquement alignés sont rares. MOFFieldBench est un benchmark multimodal d'environ 46,000 MOFs associant des structures cristallographiques, des champs ED et des champs ESP alignés un à un, ainsi qu'un workflow unifié couvrant la génération de champs, la compression à erreur contrôlée et la représentation en nuages de points clairsemés, pour des tâches telles que la reconstruction de champs, la prédiction de 13 propriétés de matériaux, la prédiction multimodale et la recherche inter-modale. Les champs ED et ESP s'avèrent compétitifs pour la géométrie des pores et les propriétés d'adsorption et de séparation, la fusion multimodale améliore plusieurs tâches de prédiction par rapport à la meilleure référence unimodale, et l'initialisation de calculs de champ auto-cohérent à partir des densités prédites réduit le temps de calcul de 13.59% en moyenne dans des tests appariés.