COFAP：通过设计的多模态提取和跨模态协同的COFs吸附预测通用框架
机器学习
2026-03-24 v2 材料科学
人工智能
化学物理
摘要
共价有机框架 (COFs) 是具有气体吸附和分离潜力的优质吸附剂，但在其庞大的设计空间中识别最优结构需要高效的高通量筛选。传统机器学习预测方法高度依赖特定气体相关特征。然而，这些特征耗时且限制可扩展性，导致效率低下且工作量大。本文提出一种通用COFs吸附预测框架 (COFAP)，通过深度学习提取多模态结构和化学特征，并通过跨模态注意力机制融合这些互补特征。在本研究所调查的条件下，COFAP无需依赖显式的气体相关热力学描述符，即可在hypoCOFs数据集上实现最先进的预测性能，超越现有方法。基于COFAP，我们还发现，针对气体分离的高性能COFs集中在狭窄的孔径范围和表面积范围内。还开发了可调节的权重优先级方案，使研究人员能够针对特定应用灵活地对候选COFs进行排序。卓越的效率和准确性使COFAP可直接部署到晶体孔材料中。
引用
@article{arxiv.2511.01946,
title = {COFAP: A Universal Framework for COFs Adsorption Prediction through Designed Multi-Modal Extraction and Cross-Modal Synergy},
author = {Zihan Li and Mingyang Wan and Mingyu Gao and Xishi Tai and Zhongshan Chen and Xiangke Wang and Feifan Zhang},
journal= {arXiv preprint arXiv:2511.01946},
year = {2026}
}