CEJ: 可解释机器学习加速发现用于乙烷/乙烯分离的MOF！

由于其高孔隙率和可定制的功能，金属有机框架（MOF）被认为是适用于广泛应用的材料候选者，包括气体分离和储存、催化和能量转换。其中，金属节点和有机连接体的大量组合导致了无限的材料空间，这为设计高性能MOF提供了高度的灵活性和潜力，同时也带来了一定的挑战。

在此，德国马普学会复杂技术系统动力学研究所周腾博士等人报道了一种可解释的机器学习（ML）方法，用于加速发现用于选择性分离乙烷（C₂H₆）和乙烯（C₂H₄）的有前景MOF材料。首先，作者基于分子模拟数据训练和测试ML模型，同时以不同类型的材料描述符和指纹作为输入，将MOF分类为C₂H₄选择性和 C₂H₆选择性类别。

基于对获得模型的SHAP解释可推断出一系列特征规范，从而指定MOF结构中的首选特征。根据这些规范，可从大型MOF数据库中有效地将一小部分MOF识别为潜在的C₂H₆选择性吸附剂。最后，对这些潜在候选者进行了GCMC模拟，其中93.8% 的已识别候选物被证实具有C₂H₆选择性，最佳MOF（hMOF-5067000）显示出6.46的高C₂H₆/C₂H₄选择性。

图1. 基于PubChem的RF模型的全局和局部解释

尽管作者基于该模型方法确定了高性能MOF，但也存在一些限制。首先，PubChem指纹仅使用二进制变量来指示存在或不存在，而不是子结构的出现频率。这使得结果易于理解和解释，但缺少有关子结构数量的重要信息。如果以包括每个子结构的出现频率更新指纹，则可以显著提高ML模型的性能。

此外，作者基于开发的ML模型将MOF分为两类，即C₂H₄选择性和C₂H₆选择性MOF。如果可以使用基于回归的ML方法对选择性值进行定量预测，则可为先进MOF发现获得更有用和可靠的见解。总之，这项工作表明通过可解释ML模型获得的有见地的特征规范对于高效发现用于气体分离的高性能MOF非常有帮助。

图2. MOF候选物的GCMC衍生选择性

Interpretable machine learning for accelerating the discovery of metal-organic frameworks for ethane/ethylene separation, Chemical Engineering Journal 2022. DOI: 10.1016/j.cej.2022.136651

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/13/65f97bdb97/

CEJ: 可解释机器学习加速发现用于乙烷/乙烯分离的MOF！

相关推荐