Utilizando el aprendizaje automático y la minería de datos para aprovechar el conocimiento de la comunidad para la...

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Ingeniería Química

Sus antecedentes:

• Los marcos orgánicos metálicos (MOF) ofrecen sitios activos ajustables y estructuras porosas beneficiosas para aplicaciones como la separación de gases y la catálisis.
• La comprensión limitada de la estabilidad de los MOF dificulta su aplicación práctica, en particular su resistencia a la degradación térmica y la eliminación del disolvente.

Objetivo del estudio:

• Para superar las limitaciones de la estabilidad de MOF para aplicaciones prácticas.
• Desarrollar modelos predictivos para la estabilidad de los MOF basados en sus estructuras químicas y geométricas.
• Identificar estrategias para mejorar la estabilidad de los MOF, especialmente los que contienen metales de transición tridimensionales.

Principales métodos:

• Datos de estabilidad extraídos (eliminación de disolventes y degradación térmica) de miles de manuscritos publicados utilizando procesamiento de lenguaje natural y análisis de imágenes.
• Análisis de las relaciones estructura-propiedad dentro de un gran conjunto de datos de MOF.
• Modelos de aprendizaje automático entrenados (proceso gaussiano, red neuronal artificial) que utilizan representaciones basadas en gráficos y estructuras de poros para predecir la estabilidad de MOF.

Principales resultados:

• Se obtuvieron más de 2000 medidas de estabilidad de eliminación de disolventes y 3000 temperaturas de degradación térmica de casi 4000 manuscritos.
• Limitaciones identificadas de las heurísticas existentes para la predicción de la estabilidad de MOF.
• Modelos ML desarrollados capaces de predecir órdenes de magnitud de estabilidad de MOF más rápidamente que los métodos convencionales.
• Obtuvo información sobre las características clave que influyen en la estabilidad de MOF a través de la interpretación del modelo ML.

Conclusiones:

• Los modelos de aprendizaje automático pueden predecir con precisión la estabilidad de MOF, acelerando significativamente el descubrimiento de materiales.
• El enfoque desarrollado proporciona estrategias para diseñar una mayor estabilidad en MOF para aplicaciones catalíticas.
• Se espera que este trabajo acelere el desarrollo de materiales MOF estables para diversas aplicaciones prácticas.