MOFSimplify：基于三千个金属有机框架提取稳定性数据的机器学习模型
材料科学
2021-09-17 v1 机器学习
化学物理
摘要
我们报告一种工作流及基于自然语言处理（NLP）的流程输出，用于挖掘描述结构表征的金属有机框架（MOF）及其溶剂去除与热稳定性的现有MOF文献。我们从文本挖掘获得逾2000项溶剂去除稳定性度量，并从热重分析数据获得3000项热分解温度。我们通过与手工标注子集比较来评估NLP方法的有效性与提取数据的准确性。使用基于图与孔几何的表示在此数据上训练的机器学习（ML，即人工神经网络）模型，能够预测新MOF的稳定性并给出量化不确定性。我们的网络接口MOFSimplify为用户提供策展数据访问，并使他们能够利用该数据对新MOF进行预测。MOFSimplify还鼓励社区对现有数据及ML模型预测提供反馈，以用于基于社区的主动学习，改进MOF稳定性模型。
引用
@article{arxiv.2109.08098,
title = {MOFSimplify: Machine Learning Models with Extracted Stability Data of Three Thousand Metal-Organic Frameworks},
author = {A. Nandy and G. Terrones and N. Arunachalam and C. Duan and D. W. Kastner and H. J. Kulik},
journal= {arXiv preprint arXiv:2109.08098},
year = {2021}
}