人工智能驱动的金属有机框架的实验发现,用于n/i-butan分离

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:

• 分离n-butan和i-butan通常依赖于能源密集型蒸.
• 金属有机框架 (MOFs) 作为高效的吸附剂显示出希望,但发现最佳的MOFs是具有挑战性的.
• 需要高通量选才能在MOFs的广化学空间中进行导航.

研究的目的:

• 通过使用人工智能 (AI) 加快发现高性能MOF用于n/i-butan分离.
• 开发和验证用于MOF性能预测的集成描述器系统.
• 为了展示一个高效的AI驱动的材料发现范式.

主要方法:

• 员工高通量查与人工智能 (AI) 集成,用于MOF识别.
• 开发并验证了通过实验和模拟可访问的集成描述符系统.
• 实施基于相似性的数据集优化策略,以实现高效的AI模型培训.
• 利用神经网络模型来识别具有优越n/i-butan分离能力的MOF.

主要成果:

• 一个集成的描述符系统在预测MOF性能方面超过了现有的描述符.
• 人工智能模型培训得到了优化,只需要10%的数据库,大大降低了成本.
• 使用AI方法确定了n/i-butan分离的异常MOF.
• 合成的SIFSIX-3-Zn在最小的i-butan吸收下表现出卓越的分离性能.

结论:

• 由人工智能驱动的高通量选为发现MOF等先进材料提供了一个有效的范式.
• 综合描述系统和优化的培训策略提高了材料发现的速度和成本效益.
• 这种方法提供了一个广泛适用的过程,用于识别具有特定分离功能的MOF.