通过机器学习实现金属有机框架结构性质和合成成本的多目标优化.
Huafang Zhang1, Chunjian Pan2, Qi Liang1
1School of Light Industry Science and Engineering, Beijing Technology and Business University, Beijing 100048, China.
Journal of chemical information and modeling
|December 12, 2025
概括
本研究介绍了一种机器学习框架,以优化金属有机框架 (MOF) 合成,平衡高表面积 (SSA) 与降低成本. 该方法确定了具有成本效益,高性能的MOF生产路线.
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:
- 金属有机框架 (MOF) 为各种应用提供高表面积和可调节的多孔性.
- 目前的MOF合成方法受到高成本和漫长反应时间的阻碍.
- 合成条件显著影响MOF的结构性质和成本效益.
研究的目的:
- 开发基于机器学习的多目标框架,以优化MOF合成.
- 确定最大化特定表面积 (SSA) 的合成条件,同时最大限度地降低生产成本.
- 为了使高性能,低成本的MOFs商业化.
主要方法:
- 使用了SynMOF数据库和商业原材料成本数据.
- 开发了机器学习对MOF属性和成本的预测模型.
- 采用非主导分类遗传算法II (NSGA-II) 用于帕雷托最佳路线识别.
- 应用的k-最近邻居 (k-NN) 用于实际条件检索.
- 使用 Bagging 集成的积极未标记的学习模型对生产可行性进行选的解决方案.
主要成果:
- 确定了帕雷托-最佳合成路径,最大限度地提高SSA并降低成本.
- 获取了符合所需MOF特征的实际合成条件.
- 选具有高生产可行性 (>0.7概率) 的解决方案.
结论:
- 拟议的机器学习框架为具有成本效益的MOF合成提供了一个战略途径.
- 这种方法促进了商业应用的高性能MOF的开发.
- 优化合成条件对于平衡MOF性能和经济可行性至关重要.
相关概念视频
02:27Predicting Molecular Geometry
44.5K
VSEPR Theory for Determination of Electron Pair Geometries
44.5K
01:29Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
261
Mechanistic models play a crucial role in algorithms for numerical problem-solving, particularly in nonlinear mixed effects modeling (NMEM). These models aim to minimize specific objective functions by evaluating various parameter estimates, leading to the development of systematic algorithms. In some cases, linearization techniques approximate the model using linear equations.
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
261