Aprendizaje automático e IA empoderando marcos orgánicos metálicos: síntesis, predicción de rendimiento y aplicación...

Área de la Ciencia:

• Ciencia de Materiales
• Química Computacional
• Inteligencia Artificial

Sus antecedentes:

• Los marcos orgánicos metálicos (MOF) ofrecen un gran potencial pero enfrentan cuellos de botella en la investigación debido a las grandes bibliotecas estructurales.
• La experimentación tradicional de prueba y error es insuficiente para explorar el alcance completo de las propiedades de los MOF.
• El aprendizaje automático (ML) proporciona soluciones basadas en datos para una investigación eficiente de MOF.

Objetivo del estudio:

• Revisar los mecanismos de ML y las bases de datos de MOF.
• Destacar las aplicaciones recientes de ML en la investigación de MOF.
• Discutir los desafíos y las direcciones futuras de ML en la ciencia de MOF.

Principales métodos:

• Revisión de la literatura existente sobre aplicaciones de ML en la investigación de MOF.
• Discusión de algoritmos de ML y su relevancia para la predicción de propiedades de MOF.
• Análisis de bases de datos de MOF para el entrenamiento y la validación de modelos de ML.

Principales resultados:

• El ML permite el cribado eficiente de alto rendimiento de MOF.
• El ML predice con precisión las propiedades de los MOF, como las rutas de síntesis, las estructuras cristalinas, la carga de fármacos y la adsorción de gases.
• El ML muestra aplicaciones emergentes en el diagnóstico de enfermedades utilizando datos relacionados con MOF.

Conclusiones:

• El ML es crucial para superar las limitaciones en la investigación de MOF y acelerar el descubrimiento de materiales.
• La comprensión de la relación entre las características y propiedades de los MOF a través del ML mejora la eficiencia de la investigación.
• Estudios adicionales de algoritmos de ML promoverán la aplicación práctica de ML en MOF.