Estabilidad del marco metálico-orgánico en el agua y en entornos hostiles a partir de modelos basados en datos...

Área de la Ciencia:

• Ciencias de los materiales
• Química
• Ciencias computacionales

Sus antecedentes:

• Las estructuras metal-orgánicas (MOF) son materiales porosos prometedores para la separación y catálisis de gases.
• La estabilidad limitada del agua dificulta la aplicación práctica de muchos MOF.
• Las estrategias de diseño actuales para los MOF estables en agua a menudo son restrictivas.

Objetivo del estudio:

• Mejorar la predicción de la estabilidad del agua MOF utilizando el aprendizaje automático.
• Ampliar el conjunto de datos para entrenar modelos de aprendizaje automático para la estabilidad de MOF.
• Facilitar el descubrimiento de nuevos MOF estables en agua para diversas aplicaciones.

Principales métodos:

• Se ha seleccionado un nuevo conjunto de datos (WS24) mediante la adición de 911 MOF con etiquetas de estabilidad en el agua a través del análisis semiautomático de manuscritos.
• Desarrollo y mejora de modelos de aprendizaje automático para predecir la estabilidad del agua y el ácido.
• Modelos integrados de estabilidad con algoritmos genéticos para el cribado de alto rendimiento de MOF.

Principales resultados:

• Amplió los datos de entrenamiento de estabilidad de agua del MOF en más del 400%.
• Se obtiene un rendimiento mejorado del modelo de aprendizaje automático (test ROC-AUC > 0,8) para predecir la estabilidad del agua y el ácido.
• Principios de diseño específicos para el metal y la geometría de los MOF robustos.

Conclusiones:

• El conjunto de datos ampliado y los modelos ML mejorados aceleran el descubrimiento de MOF estables al agua.
• Las herramientas desarrolladas permiten una selección rápida de las grandes bibliotecas de MOF para la estabilidad multivariada.
• Este trabajo contribuye al avance de las aplicaciones de MOF en áreas como la captura directa de aire y el tratamiento del agua.