利用机器学习与数据挖掘依托社区知识工程化稳定金属-有机框架
材料科学
2021-06-28 v1 机器学习
化学物理
摘要
尽管MOF定制的金属活性位与多孔结构在从气体分离到催化的工程挑战中前景广阔，但对如何提升其稳定性的认知缺乏限制了实际应用。为克服此限制，我们提取数千篇已发表报告中MOF实用化所需稳定性的关键方面：耐受高温不降解的能力，以及通过移除溶剂分子活化的能力。从近4000篇手稿中，我们利用自然语言处理与自动图像分析获得逾2000项溶剂移除稳定性度量与3000项热降解温度。我们分析该集合中稳定性性质与化学及几何结构间关系，以辨识源自较小MOF集合的既往启发式规律之局限。通过训练预测性机器学习(ML，即高斯过程与人工神经网络)模型，以基于图与孔结构的表示编码结构-性质关系，我们能以比传统基于物理的建模或实验快数个数量级的速率为稳定性做出预测。对ML模型中重要特征的解读提供了见解，我们据此辨识出将增强稳定性引入通常不稳定、常作为催化应用目标的含3d MOF的策略。我们期望该方法加速发现面向广泛应用的稳定实用MOF材料。
引用
@article{arxiv.2106.13327,
title = {Using Machine Learning and Data Mining to Leverage Community Knowledge for the Engineering of Stable Metal-Organic Frameworks},
author = {Aditya Nandy and Chenru Duan and Heather J. Kulik},
journal= {arXiv preprint arXiv:2106.13327},
year = {2021}
}