基于机器学习模型由稳定片段重组而成的超稳定MOF数据库
材料科学
2022-10-26 v1 机器学习
化学物理
摘要
对大型假设性金属-有机框架（MOFs）数据库进行高通量筛选可以发现新材料，但其在实际应用中的稳定性往往是未知的。我们利用社区知识和机器学习（ML）模型来识别热稳定且在活化后稳定的MOF。我们将这些MOF拆解为其构建单元，并重新组合它们，以创建一个包含超过50,000个结构的新假设性MOF数据库，该数据库采样的连接网络和无机构建单元数量比先前数据库高出数个数量级。该数据库显示，超稳定MOF结构的富集程度提高了一个数量级，这些结构在活化后稳定，并且其热稳定性比实验表征的平均MOF高出超过一个标准差。对于近10,000种超稳定MOF，我们计算了体积弹性模量以确认这些材料具有良好的机械稳定性，并报告了它们的甲烷可交付容量。我们的工作识别了超稳定MOF中能同时优化气体存储和机械稳定性的优势金属节点。
引用
@article{arxiv.2210.14191,
title = {A Database of Ultrastable MOFs Reassembled from Stable Fragments with Machine Learning Models},
author = {Aditya Nandy and Shuwen Yue and Changhwan Oh and Chenru Duan and Gianmarco G. Terrones and Yongchul G. Chung and Heather J. Kulik},
journal= {arXiv preprint arXiv:2210.14191},
year = {2022}
}