机器学习引导调节电荷分布根据MOF中的组成,用于氧气演变反应
Licheng Yu1, Wenwen Zhang1, Zhihao Nie1
1Key Laboratory for Soft Chemistry and Functional Materials (Ministry of Education), School of Chemistry and Chemical Engineering, School of Energy and Power Engineering, Nanjing University of Science and Technology Nanjing 210094 China sheng.chen@njust.edu.cn.
机器学习 (ML) 通过预测最佳结构来加速金属有机框架 (MOF) 合成. 这种方法显著减少了实验时间,并产生了具有氧化演化优良电催化性能的MOF.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 计算化学计算化学
背景情况:
- 传统的金属有机框架 (MOF) 合成通常是低效的,需要大量的试错.
- 加快MOF的发现对于开发各种应用的先进材料至关重要.
研究的目的:
- 利用机器学习 (ML) 来快速有效地合成新型MOFs.
- 建立基于实验参数的MOF设计的预测模型.
主要方法:
- 创建了一个包含900多个MOF的综合图书馆,不同的金属盐,溶剂比,反应时间和温度.
- 泽塔潜力被用作训练四种不同的ML模型的目标变量.
- 随机森林回归 (RFR) 和梯度增强回归 (GBR) 模型的预测准确性被评估.
主要成果:
- RFR和GBR模型显示出强烈的相关性和对MOF属性的准确预测.
- 基于ML预测的实验合成的MOF与设计的参数密切匹配.
- 合成的MOF表现出氧化演化反应的优越电催化活性.
结论:
- 机器学习显著加快了MOFs的设计和合成.
- 这种基于机器学习的方法可以发现具有增强性能的MOF,用于电催化等应用.
- 该方法对于在各种科学领域加速材料发现具有广泛的意义.
更多相关视频
10:13A Technical Guide for Performing Spectroscopic Measurements on Metal-Organic Frameworks
Published on: April 28, 2023
06:53Author Spotlight: Magnetometric Characterization of Intermediates in the Solid-State Electrochemistry of Redox-Active Metal-Organic Frameworks
Published on: June 9, 2023
相关概念视频
Balancing Redox Equations
Oxidation and Reduction of Organic Molecules
The removal of an electron from a molecule, results in a...
Thermal and Photochemical Electrocyclic Reactions: Overview
Continuous Charge Distributions
The electric charge can also be subjected to an analogical...
Energy Associated With a Charge Distribution
Redox Equilibria: Overview
