【AI+新材料】MIT学者利用计算建模指导新材料的开发，Using Machine Learning and Data Mining to Leverage Community Knowledge for the Engineering of Stable Metal–Organic Frameworks

来源| 麻省理工学院 编辑| 专知翻译整理

计算建模指导新材料的开发

麻省理工学院的计算化学家使用神经网络来发现金属有机框架的特性，并预测它是否足够稳定，用于催化和其他应用。

01 研究成果在顶级期刊【J. Am. Chem. Soc.】发表

标题

Using Machine Learning and Data Mining to Leverage Community Knowledge for the Engineering of Stable Metal–Organic Frameworks 作者 Aditya Nandy, Chenru Duan, and Heather J. Kulik*

摘要

尽管 MOF 的定制金属活性位点和多孔结构为从气体分离到催化等工程挑战带来了巨大的希望，但缺乏对如何提高其稳定性的了解限制了它们在实践中的使用。为了克服这一限制，我们提取了数千篇关于 MOF 稳定性关键方面的已发表报告，这些关键方面是其实际应用所必需的：承受高温而不降解的能力以及通过去除溶剂分子而被激活的能力。从近 4000 份手稿中，我们使用自然语言处理和图像分析来获得 2000 多个溶剂去除稳定性测量值和 3000 个热降解温度。我们分析了该集合中稳定性属性与化学和几何结构之间的关系，以确定从较小的 MOF 集合中得出的先验启发式的限制。通过训练预测性机器学习（ML，即高斯过程和人工神经网络）模型以使用基于图形和孔结构的表示来编码结构-性质关系，我们能够比传统的预测速度快几个数量级基于物理的建模或实验。对 ML 模型中重要特征的解释提供了见解，我们可以使用这些见解来确定将稳定性提高到通常用于催化应用的通常不稳定的含 3d 过渡金属的 MOF 的策略。我们希望我们的方法能够加快发现适用于广泛应用的稳定、实用的 MOF 材料的时间。

paper

https://pubs.acs.org/doi/pdf/10.1021/jacs.1c07217

code

https://mofsimplify.mit.edu/

​

02 成果解读

金属有机框架是一类具有多孔分子结构的材料，具有多种可能的应用，例如捕获有害气体和催化化学反应。它们由有机分子连接的金属原子制成，可以以数十万种不同的方式进行配置。

为了帮助研究人员筛选所有可能的金属有机框架 (MOF) 结构并帮助确定对特定应用最实用的结构，麻省理工学院计算化学家团队开发了一个可以分析 MOF 特征的模型结构并预测它是否足够稳定以供使用。

研究人员希望这些计算预测将有助于缩短新 MOF 的开发时间。

麻省理工学院化学工程副教授 Heather Kulik 说：“这将使研究人员能够在遇到合成材料的麻烦之前测试特定材料的前景。”

麻省理工学院的团队现在正致力于开发可用于捕获甲烷气体并将其转化为有用的化合物（如燃料）的 MOF。

研究人员在两篇论文中描述了他们的新模型，一篇在美国化学学会杂志上，另一篇在科学数据上。研究生 Aditya Nandy 和 Gianmarco Terrones 是Scientific Data 论文的主要作者，Nandy 也是JACS论文的主要作者。Kulik 是这两篇论文的资深作者。

03 结构建模

MOF 由金属原子组成，这些金属原子通过称为接头的有机分子连接起来，形成刚性的笼状结构。这些材料还具有许多孔隙，这使得它们可用于催化涉及气体的反应，但也可能使它们在结构上不太稳定。

“在工业规模上看到 MOF 的局限性在于，虽然我们可以通过控制每个原子在结构中的位置来控制它们的特性，但就材料而言，它们不一定那么稳定，”Kulik 说。“它们非常多孔，可以在我们催化所需的现实条件下降解。”

20 多年来，科学家们一直致力于设计 MOF，并且已经发表了数千种可能的结构。一个集中式存储库包含大约 10,000 个此类结构，但与已发表的有关这些结构属性的任何发现都没有关联。

Kulik 擅长使用计算建模来发现材料的结构-性质关系，他希望采用更系统的方法来分析和分类 MOF 的性质。

“当人们现在制作这些时，主要是反复试验。MOF 数据集非常有前途，因为有很多人对 MOF 感到兴奋，所以从每个人的工作中可以学到很多东西，但与此同时，它非常嘈杂，而且它的报告方式并不系统，”她说.

Kulik 和她的同事开始使用自然语言处理算法分析已发表的 MOF 结构和属性报告。使用这种算法，他们搜索了近 4,000 篇已发表的论文，提取了有关给定 MOF 分解温度的信息。他们还提取了有关特定 MOF 是否能够承受去除用于合成它们的溶剂并确保它们变得多孔所需的条件的数据。

一旦研究人员获得了这些信息，他们就使用它来训练两个神经网络，以根据分子结构预测 MOF 在溶剂去除过程中的热稳定性和稳定性。

“在你开始使用一种材料并考虑将其放大以适应不同的应用之前，你想知道它是否能承受住，或者它会在我想要使用它的条件下降解吗？” 库利克说。“我们的目标是更好地预测什么是稳定的 MOF。”

04 更好的稳定性 使用该模型，研究人员能够识别影响稳定性的某些特征。通常，具有较少化学基团的更简单的接头更稳定。孔径也很重要：在研究人员进行分析之前，人们认为具有较大孔径的 MOF 可能过于不稳定。然而，麻省理工学院的团队发现，如果大孔 MOF 结构的其他方面抵消了大孔径，那么大孔 MOF 可以保持稳定。

“由于 MOF 有很多东西可以同时变化，例如金属、连接体、连接性和孔径，因此很难确定控制不同 MOF 家族稳定性的因素，”Nandy 说。“我们的模型使研究人员能够对现有或新材料进行预测，其中许多尚未完成。”

研究人员已经在线提供了他们的数据和模型。对使用这些模型感兴趣的科学家可以获得使现有 MOF 更稳定的策略建议，他们还可以添加自己的数据和对模型预测的反馈。

麻省理工学院的团队现在正在使用该模型来尝试识别可用于催化甲烷气体转化为可用作燃料的甲醇的 MOF。Kulik 还计划使用该模型创建一个新的假设 MOF 数据集，该数据集之前尚未构建，但预计具有高稳定性。然后，研究人员可以筛选该数据集的各种属性。

“人们对 MOF 感兴趣，例如量子传感和量子计算，各种不同的应用，你需要以这种原子精确的方式分布金属，”Kulik 说。

该研究由 DARPA、美国海军研究办公室、美国能源部、美国国家科学基金会研究生研究奖学金、Burroughs Wellcome 基金的科学接口职业奖和 AAAS Marion Milligan Mason 奖资助。