金属有机框架（MOFs）提供了一个高度模块化的平台用于吸附气体分离，但其广泛的网络设计空间使得在化学有效性、分离性能和结构多样性等多个约束下进行逆向设计变得困难。我们提出了LEMO Agent，一个用于MOF气体分离的闭环逆向设计的语言模型代理框架，工作在MOFid空间中。LEMO Agent结合了基于语言的候选生成、MOFid标准化、明确的有效性检查、基于Transformer的属性预测、结构化设计记忆以及多岛探索。通过迭代的生成-验证-评估-记忆循环，该代理使用来自成功和失败候选的反馈，指导在连接体、金属和拓扑选择上的化学约束搜索。我们在CH$_4$/N$_2$和CO$_2$/N$_2$分离任务上评估了LEMO Agent。与代表性的生成、优化和智能基线相比，LEMO Agent丰富了高性能候选，提高了预测的分离性能，并保持了广泛的化学和拓扑多样性。选定的候选进一步重建，通过GCMC模拟进行评估，并经过基于化学可行性和配体可购性实验的筛选流程，最终实现初步的湿法合成和SEM表征。这些结果表明，大型语言模型代理可以作为可解释和可扩展的设计引擎，加速MOF发现，超越传统的固定库筛选。
博主点评： LEMO Agent的提出标志着在MOF设计领域的重大进展，通过结合语言模型和结构化搜索，能够高效地探索复杂的材料空间。这种创新方法不仅提高了分离性能，还展现了语言模型在化学设计中的潜力，预示着未来智能材料设计的新方向。