从科学文献文本中挖掘金属-有机框架合成见解
材料科学
2021-09-01 v1 化学物理
摘要
确定金属-有机框架(MOFs)的最佳合成条件是主要挑战,可能成为新材料发现与开发的瓶颈。依赖化学家直觉与知识的试错方法由于庞大的MOF合成空间而在效率上受限。为此,我们使用自主开发的代码对47,187个MOF进行数据挖掘,从28,565篇MOF论文中提取其合成信息。该联合机器学习/基于规则的算法在不同合成参数(即金属前驱体、有机前驱体、溶剂、温度、时间、组成)上取得平均F1分数90.3%。基于该数据集,开发了PU学习算法,以合成条件为输入预测给定MOF材料的合成,该算法在测试集中成功预测了83.1%已合成数据的成功合成。最后,我们的模型正确地将三种无定形MOF(及其代表性实验合成条件)预测为具有低可合成性分数,而对应的结晶MOF显示出高可合成性分数。结果表明,从MOF论文文本中提取的大数据可用于合理预测这些材料的合成条件,从而加速新MOF的合成速度。
引用
@article{arxiv.2108.13590,
title = {Mining Insights on Metal-Organic Framework Synthesis from Scientific Literature Texts},
author = {Hyunsoo Park and Yeonghun Kang and Wonyoung Choe and Jihan Kim},
journal= {arXiv preprint arXiv:2108.13590},
year = {2021}
}