假设金属有机框架吸附性质的最小晶体学描述符集：在序贯学习优化中的作用
其他凝聚态物理
2025-10-01 v1
摘要
近来文献中报道了若干关于 MOF（金属有机框架）对乙醇和甲醇等多种有机吸附质吸附性质的研究。令人惊讶的是，尽管水吸附质来源广泛、成本低且环境可持续，关于水吸附质的研究仍然很少，且针对工程应用筛选大量假设 MOF-水工质对仍具挑战性。基于近期报道的超过 5000 种假设 MOF 的数据库，本研究的第一个贡献是确定了支撑 MOF 最重要吸附性质（针对 \ch{CO2} 以及重要的 \ch{H2O}）的最小晶体学描述符集。此外，我们对多种用于 MOF 性质优化的序贯学习（SL）算法进行了全面比较，并阐明了上述最小晶体学描述符集所起的作用。在基于吸附的能量转换中，重要性能指标（如最大比能量）的热力学极限同时取决于操作条件和在宽吸附质覆盖范围内的平衡吸附性质。后者性质的获取往往不完整，诸如覆盖全吸附质覆盖范围平衡吸附等温线以及等量吸附热等关键量仅部分可得。因此，这可能阻碍优化过程中目标函数的计算。我们提出了一种在封闭吸附储能系统中优化比能量的快速方法，仅需获取固定温度下的水 Henry 系数和比表面积。
引用
@article{arxiv.2111.09602,
title = {Minimal set of crystallographic descriptors for sorption properties in hypothetical Metal Organic Frameworks: Role in sequential learning optimization},
author = {Giovanni Trezza and Luca Bergamasco and Matteo Fasano and Eliodoro Chiavazzo},
journal= {arXiv preprint arXiv:2111.09602},
year = {2025}
}
备注
27 pages (main) and 16 pages (Supp. Info). 13 figures in the main text. To be submitted to Nature computational materials