图神经网络对金属有机框架CO2吸附性质的预测
材料科学
2023-01-16 v1 化学物理
计算物理
摘要
CO2浓度不断升高是一个关键问题，需要合适的材料从环境中捕获此类气体。虽然实验和传统的计算方法有助于寻找此类材料，但它们通常速度较慢，有必要加快此类过程。我们使用原子线图神经网络（ALIGNN）方法预测金属有机框架（MOF）中的CO2吸附，MOF以其高度功能可调性而著称。我们基于巨正则蒙特卡洛（GCMC）的CO2吸附等温线，对包含137953个MOF的假设MOF（hMOF）数据库训练ALIGNN模型。我们开发了用于预筛选应用的高精度快速模型。我们将训练好的模型应用于CoREMOF数据库，并从计算上对其排序以供实验合成。除CO2吸附等温线外，我们还训练了用于电子带隙、表面积、空隙率、最小空腔直径和孔径限制直径的模型，并说明了此类图神经网络模型的优势与局限。对于若干候选MOF，我们进行了GCMC计算以评估深度学习（DL）预测。
引用
@article{arxiv.2112.10231,
title = {Graph Neural Network Predictions of Metal Organic Framework CO2 Adsorption Properties},
author = {Kamal Choudhary and Taner Yildirim and Daniel Siderius and Aaron Gilad Kusne and Austin McDannald and Diana Ortiz-Montalvo},
journal= {arXiv preprint arXiv:2112.10231},
year = {2023}
}