人工智能预测OSDAs能够直接合成层间扩展的热石
Jilong Wang1, Yaqi Fan2,3, Zheng Wan1
1Shanghai Key Laboratory of Green Chemistry and Chemical Processes, State Key Laboratory of Petroleum Molecular & Process Engineering, School of Chemistry and Molecular Engineering, East China Normal University, North Zhongshan Rd. 3663, Shanghai 200062, China.
Journal of the American Chemical Society
|March 4, 2026
概括
研究人员开发了一种机器学习模型,用于预测有机结构指导剂 (OSDAs) 对于酸盐合成. 这种方法成功地发现了三种新型热带,克服了传统查方法的局限性.
科学领域:
- 材料科学 材料科学 材料科学
- 化学 化学 化学
- 晶体学 晶体学是指结晶学.
背景情况:
- 石结晶是一个复杂的,变态稳定的过程.
- 针对特定的热带石框架的定向合成是具有挑战性的,因为人们对其机制的理解不足.
- 有机结构指导剂 (OSDA) 对于控制石框架形成至关重要,但它们的发现严重依赖于低效的试错选.
研究的目的:
- 开发一种新的,基于领域知识的机器学习模型,用于预测OSDA.
- 克服传统的基于描述器的机器学习模型在OSDA选新型热利特框架方面的局限性.
- 为了使新的热带石材料的高效和有针对性的合成.
主要方法:
- 开发一个基于域知识的机器学习模型 (ECNU-Zeoformer).
- 集成一个端到端的架构与积极的学习策略.
- 为了有效的OSDA选择,预测OSDA-地石结合能.
主要成果:
- 成功合成了三种新型热石:ECNU-30,ECNU-34和ECNU-40.
- 与传统方法相比,ECNU-Zeoformer模型表现出优异的预测性能.
- 该模型在不同的热带石框架拓学中表现出极好的通用性.
结论:
- 开发的机器学习模型有效地预测了OSDAs,使得发现新的热石成为可能.
- 这种方法通过用精确的计算预测取代试错选,显著提升了石的定向合成.
- 在ECNU-Zeoformer代表了在新型热带石框架的材料发现的突破.
