機器學習促進了分離吸附和催化的材料

人工智能技術(機器學習)正在幫助加速稱為金屬有機框架(MOF)的高度可調材料的開發，這些材料在化學分離，吸附，催化和傳感方面具有重要應用。

利用有關200多個現有MOF的屬性的數據，對機器學習平臺進行了培訓，以通過預測一個經常必要的屬性(水穩定性)來幫助指導新材料的開發。利用該模型的指導，研究人員可以避免耗時的合成工作，然后通過實驗測試新的候選MOF的水穩定性，從而避免了耗時的工作。研究人員已經在擴展模型以預測其他重要的MOF屬性。

在美國能源部(DOE)的科學辦公室的基礎能源科學計劃的支持下，這項研究于11月9日發表在《自然機器智能》雜志上。這項研究是由位于佐治亞理工學院的DOE能源前沿研究中心，在理解和控制酸性氣體引起的能源演化過程中心(UNCAGE-ME)中進行的。

佐治亞理工學院化學與生物分子工程學院的教授兼羅伯特·“布德”·穆勒教授羅伯特·巴德·穆勒教授克里斯塔·沃爾頓說：“ MOFs的水穩定性問題在這一領域已經存在很長時間了，沒有容易預測的方法。” “無需為每個候選的MOF進行合成和實驗來解決這個問題，該機器學習模型現在提供了一種預測水穩定性的方法，并提供了一組所需的功能。這將真正加快識別新材料的過程。具體應用。”

MOF是一類多孔的晶體材料，由無機金屬離子或與有機配體連接的簇合成。它們以易于調整的組件而聞名，可以為特定的應用定制這些組件，但是大量潛在的組合使得難以選擇具有所需特性的MOF。那就是人工智能可以提供幫助的地方。

喬治亞大學材料科學與工程學院教授兼能源可持續性杰出學者邁克爾·E·坦能鮑姆家族主席蘭皮·蘭普拉薩德(Rampi Ramprasad)說，機器學習在材料科學中的作用越來越重要。