機械学習とデータマイニングを使用して,安定した金属有機フレームワークのエンジニアリングのためにコミュニティの知識を活用する

科学分野:

• 材料科学
• コンピュータ化学
• 化学工学

背景:

• メタル・オーガニック・フレームワーク (MOF) は,ガス分離や触媒などのアプリケーションに有益な調整可能な活性サイトと多孔構造を提供します.
• MOFの安定性の理解が限られているため,特に熱分解と溶媒除去に対する耐性が実用化に阻害されています.

研究 の 目的:

• MOFの安定性の限界を克服する.
• MOFの化学的および幾何学的構造に基づいて,その安定性を予測するモデルを開発する.
• MOFの安定性を高めるための戦略を特定し,特に3D移行金属を含むものを特定する.

主な方法:

• 自然言語処理と画像解析を用いて,何千もの出版された原稿から安定性データ (溶媒除去と熱分解) を抽出しました.
• MOFの大きなデータセット内の構造-特性関係を分析した.
• MOFの安定性を予測するためにグラフとポア構造に基づく表現を使用した機械学習モデル (ガウスプロセス,人工ニューラルネットワーク) を訓練します.

主要な成果:

• 約4000本の手稿から2000以上の溶媒除去安定度測定と3000の熱分解温度を取得しました.
• MOFの安定性予測のための既存のヒューリスティックの限界を特定した.
• 従来の方法よりも数桁早くMOFの安定性を予測できるMLモデルを開発した.
• MLモデルの解釈を通じてMOFの安定性に影響を与える重要な特徴の洞察を得ました.

結論:

• 機械学習モデルはMOFの安定性を正確に予測し 材料の発見を大幅に加速します
• 開発されたアプローチは,触媒アプリケーションのためのMOFの安定性を向上させるための戦略を提供します.
• この作業により,様々な実用的な用途のための安定したMOF材料の開発が加速される見込みです.