新加坡国立ACS AMI: 分子模拟+机器学习快速筛选用于丙烷/丙烯分离的MOF

目前，已经合成了100000多种金属-有机框架（MOF），然而确定特定应用的最佳候选材料具有挑战性，且大量MOF的实验测试在经济上是不可行的。

为此，新加坡国立大学姜建文教授等人开发了一种分子模拟（MS）和机器学习（ML）的协同方法快速筛选用于丙烷/丙烯分离的金属-有机骨架（MOF）。

首先，通过分子模拟 (MS) 方法预测了1726个“计算就绪、实验性”(CoRE) MOF中 C₃H₈/C₃H₆混合物的吸附容量和选择性，建立了分离度量和结构因素之间的关系，并确定了33种性能最佳的CoRE MOF。

然后使用孔径、孔几何形状和框架化学作为特征描述符在CoRE MOF上训练和开发ML模型，通过引入分级孔径分布和几何描述符，ML模型的准确性得到了显著提高。描述符的特征重要性由基尼不纯度（Gini impurities）和 SHAP（Shapley Additive Explanations）值确定和解释。

图1. 用于快速筛选用于丙烷/丙烯分离的MOF的流程

随后，ML模型用于在实验性“剑桥MOF结构数据库”（CSD）和计算机假设的MOF数据库（hROD）中快速筛选用于丙烷/丙烯分离的MOF。在CSD MOF中，作者发现样本预测与模拟结果非常吻合，证明了ML模型从CoRE到CSD MOF的出色可转移性。此外，已确定9个CSD MOF具有优于性能最佳的CoRE MOF的分离性能。

最后，6个实验性MOF数据库和hROD之间的相似性和多样性通过t分布式随机邻域嵌入 (t-SNE) 算法进行可视化和比较。值得注意的是，CoRE和CSD MOF在化学和几何特征空间中具有密切的相似性。通过协同MS和ML，本研究中开发的分级方法将推动跨不同数据库的MOF快速筛选，以实现工业上重要的分离过程。

图2. CSD MOF中丙烷/丙烯分离的ML预测

Rapid Screening of Metal-Organic Frameworks for Propane/Propylene Separation by Synergizing Molecular Simulation and Machine Learning, ACS Applied Materials & Interfaces 2021. DOI: 10.1021/acsami.1c13786

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/709702b11d/

新加坡国立ACS AMI: 分子模拟+机器学习快速筛选用于丙烷/丙烯分离的MOF

相关推荐