一个基于分子扩散模型的生成人工智能框架,用于设计用于碳捕获的金属有机框架
Hyun Park1,2,3, Xiaoli Yan1,4, Ruijie Zhu1,5
1Data Science and Learning Division, Argonne National Laboratory, Lemont, IL, 60439, USA.
Communications chemistry
|February 14, 2024
概括
人工智能加速了金属有机框架 (MOF) 的设计,以有效捕获二氧化碳 (CO2). 这个新的AI框架确定了具有高二氧化碳吸附能力和可合成组件的有希望的MOF.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 人工智能的人工智能
背景情况:
- 金属有机框架 (MOF) 对二氧化碳 (CO2) 捕获应用具有重大潜力.
- 潜在的MOF构建块的巨大化学空间为识别最佳材料带来了重大的计算和实验挑战.
- 需要合理的设计策略来加速发现用于二氧化碳捕获的高性能MOF.
研究的目的:
- 引入GHP-MOFassemble,这是一个用于加速MOF设计的生成人工智能 (AI) 框架.
- 设计具有高二氧化碳吸附能力和可合成的链接剂的新型MOF.
- 通过利用人工智能来克服发现高性能MOF的挑战.
主要方法:
- GHP-MOFassemble生成新的链接器,并将它们与选定的金属节点组装成具有原始立方拓的MOF.
- 人工智能生成的MOF被选为独特性,合成性和结构有效性.
- 分子动力学,晶体图神经网络和大法典蒙特卡罗模拟用于评估稳定性,一致性和二氧化碳吸附能力.
主要成果:
- 该框架成功地产生了具有高二氧化碳吸附能力的新型MOF.
- 六个人工智能生成的MOF显示了超过2mmol/g的CO2容量,其性能优于96.9%的假设MOF结构.
- 这项研究验证了人工智能的方法,用于设计具有可取性质的MOF,以捕获二氧化碳.
结论:
- GHP-MOFassemble提供了一种高性能,人工智能驱动的方法,用于合理和加速的MOF设计.
- 开发的框架显著提高了发现用于二氧化碳捕获的MOF的效率.
- 这种人工智能战略有效地解决了从广的化学空间中识别优质MOF材料的巨大挑战.
