人工智能和高通量计算工作流程使储金属有机框架的快速选成为可能
Linmeng Wang1, Shihao Feng1, Chenjun Zhang2
1Beijing Advanced Innovation Center for Materials Genome Engineering, Beijing Key Laboratory of Function Materials for Molecule & Structure Construction, School of Materials Science and Engineering, University of Science and Technology Beijing, Beijing 100083, PR China.
ACS applied materials & interfaces
|July 4, 2024
概括
高通量选确定了69个金属有机框架 (MOFs),用于高效的储存. 修改的神经网络准确地预测MOF性能,加速材料发现.
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 (MOF) 由于其可调节性质,对储存具有很高的希望.
- 现有的发现新MOF的方法往往耗时且范围有限.
研究的目的:
- 开发一种自动化的计算工作流程,用于对用于储存的MOF进行高通量选.
- 确定表现最佳的MOF候选产品,并了解影响其储能能力的关键因素.
- 开发和验证MOF储能性能的预测模型.
主要方法:
- 开发了自动并行计算工作流程,用于从CoRE数据库中选大约11,600个MOF.
- 分析了MOF结构性/化学性质 (毛孔大小,空隙分数,开放金属位点) 和可交付的容量之间的相关性.
- 拟议修改的晶体图卷积神经网络,包含性能预测的结构和化学特征.
主要成果:
- 发现了69个MOF候选物,其可交付气容量在298.5K时>1.00%和100-0.1bar的压力波动,超过MOF-5的性能.
- 确定了特殊的MOF (ZITRUP,OQFAJ01,WANHOL,VATYIZ) 具有特殊的储能能力 (4.48,3.16,2.19,2.16重量%).
- 使用修改的神经网络模型,实现了更好的预测准确性 (MAE从0.064到0.047重量%) 和显著减少的计算时间 (10^-4倍).
结论:
- MOFs的几何/物理特征和化学特性都对室温气储存至关重要.
- 开发的计算工作流和预测模型为发现先进的储存材料提供了强大的新方法.
- 这种方法可以扩展到通过高通量选加速发现其他功能性材料.
