通过使用新的机器学习描述器,加速在金属有机框架中以低部分压力捕获CO2的预测

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 化学工程是化学工程的重要组成部分.

背景情况:

• 金属有机框架 (MOFs) 对气体的储存和分离,特别是二氧化碳的捕获具有前景.
• 评估大量潜在的MOF是资源密集的.
• 计算方法可以加速对特定应用的MOF评估.

研究的目的:

• 调查机器学习用于选MOFs的二氧化碳捕获.
• 引入和评估用于预测二氧化碳吸附的新分子描述器.
• 评估机器学习模型在识别顶级MOF候选人的效率和准确性.

主要方法:

• 利用在分子模拟数据上训练的机器学习模型.
• 开发并纳入了新的描述符,包括有效点电荷 (EPoCh) 描述符.
• 对比了不同描述符在预测二氧化碳吸附方面的表现.
• 使用伪分类预测来识别顶级MOF候选人.

主要成果:

• 机器学习模型准确地预测了R2>0.9.9的二氧化碳吸附.
• EPoCh描述符是预测的第二个最重要的描述符组.
• EPoCh描述符的计算速度比亨利系数快得多 (几十万倍).
• 对于识别顶级MOF候选人的计算成本较高的方法,EPoCh描述器可以达到与较高计算成本的方法相匹配的结果.

结论:

• 机器学习,增强了新的描述器,如EPoCh,提供了一个有效的方法来选MOFs的二氧化碳捕获.
• EPoCh描述器的速度和准确性使得它们在加速MOF研究中的材料发现方面非常有价值.
• 这种计算策略大大减少了识别有前途的MOF用于碳捕获应用所需的资源.