机器学习指导的金属有机框架的大气臭氧捕获的高通量选:一个计算材料信息学方法
Saiwei Ge1,2,3, Zhiqiang Wang1,2,3, Jingjing Pei4
1Tianjin Key Laboratory of Refrigeration Technology, Tianjin University of Commerce, Tianjin 300134, China.
Journal of chemical information and modeling
|October 25, 2025
概括
金属有机框架 (MOF) 的计算选确定了大气臭氧捕获的关键设计原则. 重金属中心和孔隙效率对于开发有效的吸附剂对环境修复至关重要.
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
- 环境科学 环境科学
背景情况:
- 功能性材料的发现被计算材料信息学所加速.
- 金属有机框架 (MOF) 在气体分离方面表现有前途.
- 大气中臭氧的捕获是一个重大的环境挑战.
研究的目的:
- 执行第一个系统的高通量计算选和机器学习分析的MOFs大气臭氧捕获.
- 为反应性气体分离建立一个双机制设计框架.
- 确定控制臭氧吸附效率和能力的MOF关键性质.
主要方法:
- 通过大法典蒙特卡罗 (GCMC) 模拟评估了2116个MOF结构.
- 运用分子动力学来描述运输特性.
- 利用分层机器学习来预测各种能力的性能.
主要成果:
- 建立了一个双重机制框架:化学亲和力 (重金属) 对于ppb水平的吸收和几何包装用于储存容量.
- 只有14.6%的选MOF显示可检测的臭氧吸附.
- 具有重金属中心 (Mn,Mo,U,Cd) 的顶部MOF实现了 > 1.0 × 10 mol/kg 的容量.
- 机器学习实现了R2 = 0.852,确定孔隙效率作为通用预测器.
结论:
- 计算框架使下一代吸附剂的合理设计成为可能,用于大气修复.
- 层次机器学习对于复杂的环境分离是有效的.
- 建立了反应性气体捕获的基本设计原则,加速了材料的发现.
