MOFClassifier: Un enfoque de aprendizaje automático para la validación de marcos metálicos orgánicos listos para el...

Área de la Ciencia:

• Ciencias de los materiales
• Química computacional
• Aprendizaje automático

Sus antecedentes:

• Los datos estructurales de alta calidad son cruciales para el descubrimiento computacional de marcos metálico-orgánicos (MOF).
• Las bases de datos existentes del Ministerio de Fomento contienen errores significativos que obstaculizan el control eficiente.
• Los métodos actuales de verificación de errores basados en reglas tienen limitaciones y clasifican erróneamente las estructuras.

Objetivo del estudio:

• Desarrollar un nuevo enfoque de aprendizaje automático para la clasificación precisa de los MOF listos para el cálculo.
• Superar las limitaciones de los métodos existentes en la identificación de errores estructurales y químicos en los datos MOF.
• Mejorar la fiabilidad del cribado computacional a gran escala para nuevos materiales MOF.

Principales métodos:

• Desarrolló MOFClassifier, un modelo de aprendizaje automático que utiliza una red neuronal convolucional de gráficos de cristal sin etiqueta positiva (PU-CGCNN).
• El modelo aprende patrones de estructuras cristalinas perfectas para predecir una "puntuación de semejanza de cristal" (CLscore).
• Evaluación del rendimiento utilizando valores de ROC y comparación con los métodos basados en reglas existentes.

Principales resultados:

• MOFClassifier logró un valor de ROC de 0,979, superando el mejor anterior de 0,912.
• El modelo identificó con éxito los errores estructurales y químicos sutiles que los métodos actuales omiten.
• Recuperación precisa de estructuras falsas negativas clasificadas erróneamente, reduciendo el riesgo de pasar por alto posibles candidatos a MOF.

Conclusiones:

• MOFClassifier ofrece un avance significativo en la clasificación precisa de las MOF para la detección computacional.
• La herramienta mejora la eficiencia y la fiabilidad del descubrimiento de nuevos materiales MOF.
• Disponible de forma gratuita e integrado en el CoRE MOF DB 2025 v1.0, acelerando la investigación en MOF.