拓扑描述符助力预测纳米多孔材料中的客体吸附

机器学习已成为预测材料性质相对于实验与模拟的一种有吸引力的替代方案。通常，这种方法依赖特定领域知识进行特征设计：每个学习目标都需要专家认定为对特定任务重要的特征的仔细选取。该方法的主要缺陷在于，迄今仅实现了少数结构特征的计算，且难以先验判断哪些特征对特定应用重要。后一问题在纳米多孔材料客体摄取的预测器中已被实证观察到：局域与全局孔隙率特征分别在中低与高压力下成为主导描述符。我们利用拓扑数据分析工具研究材料的特征表示。具体而言，我们使用持续同调在不同尺度上描述纳米多孔材料的几何。我们将拓扑描述符与传统结构特征结合，并考察各自对预测任务的相对重要性。我们通过预测沸石中甲烷吸附(压力范围1-200 bar)展示了该特征表示的应用。我们的结果不仅相较基线有显著改进，还强调拓扑特征捕获了与结构特征互补的信息：这对于低压吸附尤为重要，传统特征在此任务上尤为困难。此外，通过考察吸附模型中单个拓扑特征的重要性，我们能够精确定位与不同压力下吸附最相关的孔隙位置，从而增进我们对结构-性质关系的原子级理解。