Forschende der Fakultät für Ingenieurwissenschaften der Universität Toronto haben das Open-Access-Tool MOF-ChemUnity entwickelt. Es bietet einen systematischen Ansatz für die MOF-Forschung und erleichtert die Entdeckung neuer Erkenntnisse. MOFs sind eine weit verbreitete Materialklasse, die in der Wirkstofffreisetzung, Katalyse und Kohlenstoffabscheidung Anwendung findet. Ihre extrem hohe spezifische Oberfläche und präzise einstellbaren chemischen Eigenschaften eröffnen ihnen vielfältige Anwendungsmöglichkeiten. Sie werden beispielsweise als Molekularsiebe zur Gastrennung, zum Einfangen kleinster Moleküle zum Nachweis niedriger Substanzkonzentrationen, zur Beschleunigung industrieller Reaktionen und zur Wirkstofffreisetzung eingesetzt. Die Bedeutung von MOFs in der Wissenschaft nimmt stetig zu, was sich unter anderem in der Verleihung des Chemie-Nobelpreises 2025 an MOFs zeigt.
Da die MOF-Forschung in über 25 Anwendungsbereichen rasant voranschreitet, wird die Verwaltung des umfangreichen Wissensbestands zunehmend schwieriger und stellt Forschende sowie KI-Tools vor Herausforderungen. Ein Team unter der Leitung von Professor Mohamad Moosavi vom Institut für Chemische Verfahrenstechnik und Angewandte Chemie und dem Vector Institute entwickelte MOF-ChemUnity, um diese Herausforderung zu bewältigen. Die Ergebnisse wurden im *Journal of the American Chemical Society* veröffentlicht und als Titelgeschichte ausgewählt.
MOF-ChemUnity extrahiert und verknüpft Informationen aus MOF-Forschungsartikeln, Kristallstrukturbibliotheken und computergestützten Materialdatenbanken mithilfe eines strukturierten und skalierbaren Wissensgraphen. Kernstück ist ein Multiagenten-Workflow mit einem großskaligen Sprachmodell, der chemische Namen in der Literatur mit korrekten Kristallstrukturen verknüpft und Syntheseschritte, Materialeigenschaften sowie potenzielle Anwendungen in einem konsistenten und maschinenlesbaren Format darstellt. Das Team kombiniert den Wissensgraphen zudem mit dem großskaligen Sprachmodell, um einen literaturbasierten KI-Assistenten zu entwickeln. In Blindgutachten von MOF-Experten verschiedener Institutionen waren die Antworten des Assistenten genauer, interpretierbarer und zuverlässiger als die von etablierten Sprachmodellen wie GPT-4o. Dadurch werden KI-Illusionen reduziert und ein zuverlässiges wissenschaftliches Denken unterstützt.
Das Team der Universität Toronto hat den Datensatz und den Code auf GitHub veröffentlicht, um die Weiterentwicklung der Materialwissenschaften und der KI-gestützten Forschung zu fördern. Moosavi erklärte, dass dieses Projekt die Grundlage für eine Transformation der Organisation und des Zugangs zu wissenschaftlichem Wissen legt und dazu beiträgt, Forschungsbarrieren abzubauen. MOF-ChemUnity ist ein erster Schritt hin zu KI-Systemen, die Daten disziplinübergreifend verarbeiten können, ein neues Paradigma für die literaturbasierte Forschung etablieren und den Beginn eines allgemeinen Wissenssystems zur Beschleunigung multidisziplinärer Forschung markieren.
