皇家墨尔本理工ACS AMI: 高通量计算+机器学习预测MOF中的O2/N2选择性

机器学习（ML）正成为各个科学领域中越来越流行的工具，也显示出有助于筛选各种应用材料的潜力。到目前为止，ML和其他筛选方法已用于预测MOF的H₂和CO₂的捕获、存储和分离，但似乎没有预测其O₂ /N₂分离性能的相关研究。

在此，澳大利亚皇家墨尔本理工大学（RMIT）Ravichandar Babarao及Tu C. Le等人结合高通量模拟和ML模型预测了无限稀释和单一气体组分条件下假设金属-有机框架（hMOF）数据库中的O₂/N₂吸附和膜选择性。基于从计算就绪实验（CORE）MOF 2019数据集获得的初始模拟数据，使用ML模型来验证模拟数据。

在测试的几种算法中，随机森林（RF）算法被证明在预测CoRE MOF数据集的O₂和N₂的吸收、自扩散和亨利常数等方面具有良好的性能。使用化学、原子和几何类型描述符，该算法能够获得良好的预测性能，其中R²值通常在0.7~0.8范围内。随着这些描述符组中的每一个的添加，模型的性能显示出总体上升趋势。

图1. 训练集（橙色）和测试集（蓝色）的预测与其对应的真实值

使用可用的hMOF描述符，然后使用经过训练的模型来预测与在CoRE MOF中测试的相同的目标变量。结果显示，与CoRE MOF数据集相比，hMOF数据集显示出更小的单位单元和更简单的结构，这导致筛选出的hMOF具有比文献中报道的MOF更低的O₂ /N₂分离选择性数值。

对于吸附和扩散计算，单组分O₂和N₂气体被认为是在1 bar和无限稀释条件下，这是一种理想情况，其中气体分子之间没有相互作用，只考虑气体和MOF之间的相互作用。因此，这项工作中计算的吸附、扩散和膜选择性是理想的选择性。但ML的使用能够呈现结构-性能关系，根据吸附和扩散选择性确定用于O₂ /N₂分离的最佳 hMOF并节省大量宝贵的时间和计算成本。

图2. 预测的hMOF值（蓝色）和已知的CoRE MOF值（橙色）对比

Prediction of O₂/N₂ Selectivity in Metal–Organic Frameworks via High-Throughput Computational Screening and Machine Learning, ACS Applied Materials & Interfaces 2021. DOI: 10.1021/acsami.1c18521

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/2023/10/15/dcf2aa6fed/

皇家墨尔本理工ACS AMI: 高通量计算+机器学习预测MOF中的O2/N2选择性

相关推荐