图形变压器与卷积并行网络用于预测金属有机框架的单元和二元组件吸附性能

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 人工智能的人工智能

背景情况:

• 金属有机框架 (MOF) 对于碳捕获和储存 (CCS) 是至关重要的,因为它们具有可调节的特性.
• 机器学习 (ML) 加快了用于CCS应用的高性能MOF的发现.
• 现有的ML模型通常需要非图形数据,限制它们直接应用于晶体结构.

研究的目的:

• 开发一种新的基于图形的ML模型,用于预测MOF吸附特性.
• 仅使用晶体结构信息,能够准确预测单元和二元组分吸附.
• 选大型MOF数据库并确定碳捕获的有希望的候选人.

主要方法:

• 开发了GC-Trans,这是一个包含并行卷积网络的图形变压器模型.
• 使用晶体图中的图形结构数据作为输入特征.
• 提取并融合本地和全球特征信息,以增强模型表达.
• 应用转移学习来评估CO2/CH4分离和CH4吸收的模型概括性.

主要成果:

• GC-Trans准确有效地预测单元和二元组件系统的MOF吸附性能.
• 该模型通过整合本地和全球特征,展示了强大的表达和概括能力.
• 对ARC-MOF数据库的选确定了满足目标吸附要求的MOF结构.
• 对CO2/CH4分离和CH4吸收预测的转移学习应用程序表现良好.

结论:

• GC-Trans提供了一种强大的,仅基于图形的方法来预测MOF吸附特性.
• 该模型有助于有效选和发现用于碳捕获的先进MOF.
• 证明的可转移性凸显了该模型在各种气体分离和储存应用中的潜力.