본 논문은 금속-유기 골격체(MOFs)의 de novo 디자인을 위한 강화학습 기반의 Transformer 기반 프레임워크를 제시합니다. 기존의 계산 스크리닝 기법의 한계를 극복하기 위해, 화학적 정보를 담은 문자열 표현인 MOFid를 사용하여 MOF의 연결성과 위상을 효율적으로 인코딩합니다. 이를 기반으로 GPT 모델을 이용한 생성, Transformer 기반 특성 예측 모델인 MOFormer, 그리고 특성 기반 보상 함수를 이용한 강화학습 모듈을 통합하여 합성 가능하고 원하는 기능적 특성을 지닌 MOF를 생성합니다. 이는 대규모 언어 모델과 강화학습의 결합을 통해 망상 화학에서의 역설계를 가속화하고 계산 기반 MOF 발견의 새로운 지평을 열 수 있음을 보여줍니다.
