使網路閱讀成為最高樂趣。

機器學習伴以化學直覺:快速篩選儲氣材料


知社學術圈海歸學者發起的公益學術平台分享信息,整合資源交流學術,偶爾風月金屬-有機框架材料(M–,MOF)為多孔配位聚合物,是一類有機-無機雜化材料,由有機配體和無機金屬單元組成三...

- 2018年5月06日11時26分
- 科學文摘 / 知社學術圈

知社學術圈

海歸學者發起的公益學術平台

分享信息,整合資源

交流學術,偶爾風月


金屬-有機框架材料(Metal–organic

frameworks,MOFs)為多孔配位聚合物,是一類有機-無機雜化材料,由有機配體和無機金屬單元組成三維周期性模塊,再相互連接形成網絡結構。在不同拓撲結構下,這些眾多構建模塊將可組合成幾乎無限拓撲結構的MOF!作為「骨架」材料,它們形成了非常大的孔隙,擁有極大的表面積。若能解開一克這樣「非常空」的材料,其表面足夠覆蓋一個足球場!這樣的特性使它們成為催化材料和氣體儲存材料的最佳選擇。目前MOF雖然才發現不久,但已引起了科學界的廣泛關注。之前用於篩選此類材料的方法要麼太慢,要麼不夠精確。來自美國克里特大學的Froudakis開發了一種機器學習方法,以化學結構為導向(直覺),結合第一原理計算方法的準確性和經典計算方法的速度,預測具有吸附H2/CO2性能的多孔MOF材料,有望應用於催化和氣體儲存。他們通過已知特性來訓練機器學習方法,進而識別MOF中的某些結構特徵,並將「化學直覺」編入其算法中。然後,他們將該方法應用於新的MOF的大規模篩選測試,發現所作的幾個預測與實驗數據相匹配。該方法克服了之前方法的一些缺點,預測準確性能隨著樣本量的增加而增加,不僅有望用於儲氣MOF的篩選,也有望用於其他諸多特殊用途材料的篩選。該文近期發表於npj

Computational Materials 3, 40 (2017); doi:10.1038/s41524-017-0045-8;

標題與摘要如下,論文PDF文末點擊閱讀原文可以獲取。


Chemically intuited, large-scale screening of MOFs by machine learning techniques

(通過機器學習技術輔以化學直覺,作大規模金屬-有機框架材料篩選)

Giorgos Borboudakis, Taxiarchis Stergiannakos, Maria Frysali, Emmanuel Klontzas, Ioannis Tsamardinos & George E. Froudakis

A novel computational methodology for large-scale screening of Metal–organic frameworks (MOFs) is applied to gas storage with the use of machine learning technologies. This approach is a


promising trade-off between the accuracy of ab initio methods and the speed of classical approaches, strategically combined with chemical intuition. The results demonstrate that the chemical

properties of MOFs are indeed predictable (stochastically, not deterministically) using machine learning methods and automated analysis protocols, with the accuracy of predictions increasing with

sample size. Our initial results indicate that this methodology is promising to apply not only to gas storage in MOFs but in many other material science projects.

擴展閱讀歡迎廣大學者供稿,報導最新研究成果投稿、授權、合作事宜請聯繫


熱門內容

友善連結



八方快聞是一個網路文摘網站,在浩瀚的網海中摘選即時的、優質的、知識的及趣味性的網路文章給大家欣賞,八方快聞努力做到讓每一個人,能夠使用所有裝置在不同時間地點,都能夠輕鬆享受數位時代的閱讀樂趣。