麻省理工学院JACS：机器学习+数据挖掘设计稳定的金属-有机框架

尽管金属-有机骨架（MOF）的定制金属活性位点和多孔结构在从气体分离到催化等工程挑战方面具有广阔的前景，但缺乏对如何提高其稳定性的了解限制了它们在实践中的应用。

在此，麻省理工学院Heather J. Kulik等人从文献中提取了数以千计的关于 MOF稳定性关键方面的报告，承受高温而不降解的能力以及通过去除溶剂分子活化而不崩溃的能力对于MOF的实际应用是必不可少的。

对稳定性与MOF化学和几何结构之间关系的分析表明，从同一族中MOF衍生的现有启发式模型难以实现更广泛地应用。作者训练了机器学习（ML，即高斯过程和人工神经网络）预测模型，以基于图和孔结构的表示来编码热稳定性和溶剂去除稳定性测量的结构-性能关系。这些训练有素的模型预测速度比传统的基于物理的建模或实验快两个数量级。

图1. 本工作中使用的数据集的管理示意图

最后，作者利用这些预测模型来确定设计MOF结构以提高其稳定性的策略。对用于催化但在加热时不稳定的含3d过渡金属MOF，接枝化学改性可以增加催化应用所需的热稳定性。

然而，这些第一代机器学习模型的性能易受到限制，部分是因为机器学习模型本身，但主要是受文献中提取的数据量限制。另一个潜在的问题是文献报告数据中的错误是否会导致模型偏差，专家对文献的审查有望提高数据集和模型的质量。

为此，作者在用户友好的Web界面中提供了ML模型并从数据集中提取了特征，界面还支持上传新MOF。作者希望该方法可以加速计算且缩短实验研究人员发现稳定实用MOF材料的时间。

图2. 高斯过程分类器模型预测稳定性

Using Machine Learning and Data Mining to Leverage Community Knowledge for the Engineering of Stable Metal-Organic Frameworks, Journal of the American Chemical Society 2021. DOI: 10.1021/jacs.1c07217

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/1f0008818a/

麻省理工学院JACS：机器学习+数据挖掘设计稳定的金属-有机框架

相关推荐