新加坡国立大学姜建文教授课题组《ACS AMI》: 机器学习模型辅助高通量计算快速筛选金属有机骨架材料

点击蓝字关注我们

丙烯是全球最为重要的化工原料之一。由于丙烯/丙烷（C₃H₈/C₃H₆）分子之间极其相似的沸点温度、分子尺寸和极性特征，两者混合气的高效分离仍是工业界公认的难点问题。传统的低温蒸馏提纯技术存在工艺繁琐，能量消耗巨大等诸多问题。相比之下，基于金属有机骨架材料（MOFs）的C₃H₈/C₃H₆吸附分离方法则具有工艺简化和低碳节能的技术优势，充分满足“双碳”背景下的传统产业技术升级需求。现阶段，MOFs材料的相关研究是学术领域的热点，已有超过十万种MOFs已经被合成报道。然而，对实验科学家来说，如何从海量的对象中快速识别出具有出色C₃H₈/C₃H₆分离性能的MOFs是一项重大的挑战。
对此，新加坡国立大学姜建文教授团队提出了一种结合分子模拟（MC）和机器学习（ML）的MOFs数据库分级筛选策略，助力于C₃H₈/C₃H₆的高效吸附分离MOFs材料的快速筛选。该策略不仅大幅度地促进了对筛选大规模MOFs材料数据库的效率，而且从孔径尺寸、孔道结构和骨架化学环境三个角度揭示了MOFs结构特征与C₃H₈/C₃H₆吸附分离性能的内在关系，从而为高C₃H₈选择性MOFs的实验设计与合成提供了指导性的参考。相关工作以“Rapid Screening of Metal−Organic Frameworks for Propane/Propylene Separation by Synergizing Molecular Simulation and Machine Learning”为题，发表在高影响力的国际期刊《ACS Applied Materials & Interfaces》，新加坡国立大学化工与生物分子工程系的姜建文教授为论文的通讯作者，汤红健博士为论文的第一作者。此研究获得了新加坡教育部和新加坡科技研究局等项目资助。 
图1. MOF数据库的分子筛选策略。① C₃H₈/C₃H₆ 混合物在 CoRE MOFs中吸附特性的分子模拟；② MOFs的孔径尺寸、孔道结构和骨架化学环境方面的特征提取；③ ML模型的预测精度和解释能力；④ ML模型的泛化能力，并用于快速筛选其他MOF的数据库。 
图 2. ML预测C₃H₈/C₃H₆ 混合物在 CSD MOFs中吸附分离特性；分级快速筛选CSD MOFs数据库。 
图 3. 不同MOF数据集的254维全特征t-SNE分布.

相关链接

https://pubs.acs.org/doi/pdf/10.1021/acsami.1c13786

相关进展

化学与材料科学原创文章。欢迎个人转发和分享，刊物或媒体如需转载，请联系邮箱：[e-mail]

扫二维码｜关注我们

微信号 : Chem-MSE

诚邀投稿

欢迎专家学者提供化学化工、材料科学与工程产学研方面的稿件至[e-mail]，并请注明详细联系信息。化学与材料科学®会及时选用推送。