几十年来，金属有机框架(MOF)因其广泛的应用而一直吸引着研究人员：气体吸收、集水、能量存储和海水淡化。到目前为止，快速且廉价地为特定任务选择性能最佳的MOF一直具有挑战性。MOFormer是一种机器学习模型，与领先模型相比，它可以在预测任务上实现更高的准确性，而无需明确依赖3D原子结构。

“我们认识到依赖MOF的3D结构会导致额外的成本。为了解决这个问题，我们使用MOFids来做出准确的预测，”博士YuyangWang解释道。机械工程教授AmirBaratiFarimani研究小组的学生。

这项研究首次发表在《美国化学会杂志》上。

MOFid是MOF构建块(金属节点、有机链接器和拓扑的组合)的文本字符串表示形式，使机器学习模型能够输出属性预测。由于这些构建模块有无数种组合，因此寻找最佳MOF非常复杂。在BaratiFarimani的MOFormer中，研究人员可以通过假设创建新的MOFids来更快地筛选MOFs。

“为了训练MOFormer，我们使用自我监督学习(SSL)，它利用了基于结构的方法和图神经网络MOformer的结构不可知方法。SSL提高了MOFormer在下游属性预测任务上的性能。使用这种方法。我们探索基于结构和结构不可知的方法如何利用彼此的相互信息，”博士RishikeshMagar解释道。巴拉蒂实验室的学生。

“这为研究人员更有效地构建MOF铺平了道路。假设有100万个假设的MOF结构可能看起来适合集水。MOFormer可以通过预测哪些具有最理想的特性来缩小范围。从那里，研究人员可能只需要在实验室中测试100种变异。”曹中林博士说。巴拉蒂小组的学生，如图所示。

与其他结构无关的方法相比，MOFormer在各种气体吸收预测任务上的精度提高了35-48%，在带隙预测上的精度提高了21.4%。

“我们期望MOFormer能够加快MOF的探索，”法米尼说。“它可以作为探索假设的MOF广阔化学空间的工具。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：研究结构人员