机器学习预测金属有机框架的热容量

金属有机框架(MOF)是一类含有纳米级孔隙的材料。这些孔隙为MOF提供了创纪录的内表面积，使其在许多应用中都非常通用：分离石化产品和气体、模拟DNA、生产氢气以及从水中去除重金属、氟化物阴离子甚至金只是其中的一小部分例子。

MOF是BerendSmit教授在EPFL基础科学学院的研究重点，他的团队利用机器学习在发现、设计甚至分类目前充斥化学数据库的不断增长的MOF方面取得突破。

在一项新研究中，Smit和他的同事开发了一种机器学习模型，可以预测MOF的热容量。“这是关于非常经典的热力学，”斯密特说。“将材料加热一度需要多少能量?到目前为止，所有工程计算都假设所有MOF具有相同的热容量，原因很简单，几乎没有任何数据可用。”

Smit小组的博士后SeyedMohamadMoosavi补充说：“如果没有数据，如何制作机器学习模型?这看起来是不可能的!”

答案是这项工作最具创新性的方面：一个机器学习模型，可以预测局部化学环境如何改变MOF分子中每个原子的振动。

“这些振动可能与热容量有关，”Smit说。“以前，非常昂贵的量子计算会为我们提供单一材料的单一热容，但现在我们可以获得多达200个关于这些振动的数据点。因此，通过进行200次昂贵的计算，我们有40,000个数据点来训练模型关于这些振动如何依赖于它们的化学环境。”

然后，研究人员根据实验数据测试了他们的模型，作为现实生活中的检查。“结果出人意料地差，”Smit说，“直到我们意识到这些实验是用孔隙中含有溶剂的MOF进行的。因此，我们重新合成了一些MOF，并仔细去除了合成溶剂——测量了它们的热容量——结果与我们模型的预测非常吻合。”

“我们的研究展示了人工智能(AI)如何加速解决多尺度问题，”穆萨维说。人工智能使我们能够以一种新的方式思考我们的问题，有时甚至可以解决它们。”

为了展示这项工作对现实世界的影响，赫瑞瓦特大学的工程师模拟了碳捕获工厂中MOF的性能。

“我们在过程模拟中使用了量子分子模拟、机器学习和化学工程，”Smit说。“结果表明，使用正确的MOF热容值，碳捕获过程的总体能源成本可能比我们最初假设的要低得多。我们的工作是真正的多尺度努力，对技术经济可行性产生巨大影响目前考虑的应对气候变化的解决方案。”

该研究发表在《自然材料》上。