機器學習促進了分離,吸附和催化的材料

機器學習正在幫助加速金屬有機框架的高度可調材料的開發，這些材料在化學分離，吸附，催化和傳感中具有重要的應用。

利用有關200多個現有MOF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，然後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。

在美國能源部的辦公室基礎能源科學計劃的支持下，這項研究是在位於喬治亞理工學院的能源前沿研究中心的酸性氣體誘導的能源材料演化的理解和控制中心中進行的。

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MOF進行合成和實驗就可以弄清楚這一點，該機器學習模型現在提供了一種預測水穩定性的方法，並提供了一組所需的功能。這將真正加快識別新材料的過程。

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。它們以易於調整的組件而聞名，可以為特定的應用定製這些組件，但是大量的潛在組合使得難以選擇具有所需特性的MOF。

機器學習在材料科學中的作用越來越重要。

當材料科學家計劃下一組實驗時，我們將利用過去積累的直覺和見解。機器學習使我們能夠以最有效和最有效的方式充分利用過去的知識。如果已經進行了200個實驗，則機器學習使我們可以利用我們計劃第201個實驗時從中學到的所有知識。

除了實驗數據外，機器學習還可以使用基於物理的模擬結果。與仿真不同，機器學習模型的結果可以是瞬時的。他指出，機器學習算法隨著接收到更多信息而不斷改進，無論是正面還是負面的結果都是有用的。偉大的發現與不那麼令人興奮的發現（失敗的實驗）一樣重要，因為機器學習會利用頻譜的兩端來更好地發揮作用。

機器學習模型使用了沃爾頓的信息，她的研究團隊從她自己的實驗室開發的化合物以及其他研究人員報告的化合物中收集了數百種現有的MOF材料。為了準備可供模型學習的信息，她根據水穩定性的四個度量對每個MOF進行了分類。

用於建立模型的數百個數據點代表了多年的實驗。我基本上花了我職業生涯的前半段時間來了解MOF的水穩定性問題，因此我們對此進行了廣泛研究。

MOF社區是一個多元化的領域，具有多個子領域。並不是每個人都有化學直覺，即哪種材料的特性可以帶來良好的框架穩定性，並且實驗評估通常需要許多實驗室可能沒有或不需要的專用設備。但是，有了良好的預測模型，他們不一定需要開發它來選擇用於特定應用的材料。這項功能可能會為更廣泛的研究人員打開這一領域，從而可以加速應用程式開發。

儘管對水的穩定性進行篩查很重要，但蘭普拉薩德說，這僅僅是該項目潛在收益的開端。的機器學習模型可以被訓練為長的存在數據來預測其它性能的足夠量。例如，該團隊已經在教導他們的模型有關在不同壓力水平下影響甲烷吸收的因素。在這種情況下，仿真將提供模型可從中學習的許多數據。

我們將有一個非常強大的預測因子，它將告訴我們新的MOF在含水條件下是否穩定並且是吸收甲烷的良好候選者。我們正在做的是創建一個通用且可擴展的機器學習平臺，該平臺可以在新屬性上進行訓練。只要有可用數據，該模型就可以從中學習並為新案例做出預測。