基于可解释图机器学习设计的优异聚合物气体分离膜
材料科学
2024-11-20 v1 化学物理
数据分析、统计与概率
摘要
使用聚合物膜进行气体分离有望大幅降低传统热驱动分离的能量、碳和水强度，但膜材料的开发极具挑战性。在此，我们展示了一种新颖的图机器学习（ML）策略，用于指导可合成聚合物膜的实验发现，这些膜的性能在多个工业上重要的气体分离任务中同时超过了经验上限。我们合成了两个预测的候选膜，并通过实验验证其在多个气体对（O2/N2、H2/CH4和H2/N2）上的性能超越了上限。值得注意的是，其O2/N2分离选择性比现有聚合物膜高1.6-6.7倍。通过结合我们ML模型固有的可解释性、实验表征和分子级模拟，揭示了高性能的分子起源。我们的研究提出了一种独特的可解释ML-实验组合方法，以解决普遍存在的具有挑战性的能源材料设计问题，并且所发现的聚合物有利于工业气体分离。
引用
@article{arxiv.2404.10903,
title = {Superior Polymeric Gas Separation Membrane Designed by Explainable Graph Machine Learning},
author = {Jiaxin Xu and Agboola Suleiman and Gang Liu and Michael Perez and Renzheng Zhang and Meng Jiang and Ruilan Guo and Tengfei Luo},
journal= {arXiv preprint arXiv:2404.10903},
year = {2024}
}