机器学习预测多孔材料的力学性能

机器学习可以用来预测一组材料的性能，据一些人说，这些材料对21世纪和塑料对20世纪一样重要。

研究人员使用机器学习技术精确预测金属有机框架（MOF）的机械性能，该框架可用于从沙漠中的空气中提取水、储存危险气体或以氢气为动力的汽车。

由剑桥大学领导的研究人员使用他们的机器学习算法预测了3000多个现有MOF的性能，以及尚未在实验室合成的MOF。

这项研究结果发表在《细胞杂志物质》的首版上，可以显著加快材料在分子尺度上的表征和设计。

MOF是由金属原子和有机原子连接在一起的自组装三维化合物。像塑料一样，它们具有高度的通用性，可以定制成数百万种不同的组合。不同于塑料，它是基于长链聚合物，只在一个方向生长，财政部有秩序的晶体结构，生长在各个方向。

这种晶体结构意味着MOF可以像积木一样被制造出来：单个原子或分子可以在结构内部或外部进行切换，这是塑料无法达到的精确水平。

这种结构具有很高的多孔性和巨大的表面积：一个糖块大小的MOF可以覆盖六个足球场大小的区域。然而，也许有点违反直觉，MOF制造了高效的存储设备。任何特定MOF中的毛孔都可以通过改变积木来定制，从而为不同的分子形成一个完美的存储袋。

领导这项研究的剑桥化学工程和生物技术系的大卫·费尔恩·希门尼斯博士说：“MOF的多孔性使其能够很好地适应各种不同的应用，但同时它们的多孔性使其非常脆弱。”

MOF是以粉末形式合成的，但为了实际应用，粉末被加压并形成更大的形状颗粒。由于它们的多孔性，许多MOF在这个过程中被粉碎，浪费时间和金钱。

为了解决这个问题，来自比利时和美国的Fairen Jimenez和他的合作者开发了一种机器学习算法来预测数千个MOF的机械性能，因此只生产具有必要机械稳定性的MOF。

研究人员采用了一种多层次的计算方法，以建立一张MOF结构和机械景观的交互式地图。首先，他们对3385个MOF进行了高通量分子模拟。其次，他们开发了一个自由可用的机器学习算法来自动预测现有和尚未合成的MOF的机械性能。

“我们现在能够同时解释所有材料的景观，”费尔恩希门尼斯说。“这样，我们就可以预测给定任务的最佳材料。”

研究人员已经启动了一个互动网站，科学家可以设计和预测他们自己的MOF的性能。费尔恩希门尼斯说，该工具将有助于填补这一领域的实验和计算之间的差距。他说：“它允许研究人员使用他们使用这些材料所需的工具：它简化了他们需要问的问题。”