图表神经网络用于预测二氧化碳吸附在替代的化物中

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
• 机器学习 机器学习

背景情况:

• 预测热酸盐吸附性质对于设计新材料至关重要,但由于庞大的配置空间和计算上昂贵的分子模拟而受到阻碍.
• 现有的评估热带石性能的方法,如蒙特卡洛模拟,耗时,限制了快速的材料发现.
• 开发更快,更准确的方法来预测吸附性质对于加速设计新型热石至关重要.

研究的目的:

• 开发和验证机器学习 (ML) 模型,以快速高效地预测热石吸附性质.
• 与传统的分子模拟技术相比,大大降低了与预测吸附特性相关的计算成本.
• 证明该模型在识别吸附位点和生成新型地石配置方面的实用性.

主要方法:

• 为MOR,MFI,RHO和ITW热石生成数据集,包括各种配置.
• 用蒙特卡洛模拟来创建数据集,计算二氧化碳的吸附热量和亨利系数.
• 在模拟数据上训练的机器学习模型的开发和应用,用于财产预测和地点识别.

主要成果:

• 拟议的机器学习模型实现了比分子模拟快4到5个数量级的预测速度.
• 对吸附性质的模型预测与蒙特卡洛模拟中获得的值有很强的一致性.
• 该模型成功地确定了热带石结构中的吸附点,并证明了与遗传算法相结合时能够产生新型热带石配置.

结论:

• 开发的机器学习模型提供了一种高效和准确的方法来预测热石吸附性质.
• 这种计算工具可以加速发现和设计具有所需吸附特性的新材料.
• 该模型识别吸附点并产生新型配置的能力突出了其在材料信息学中的潜力.