机器学习可用于预测一组材料的性质，根据一些材料，这些材料可能与21世纪的塑料一样重要。
研究人员使用机器学习技术准确预测金属有机框架(MOF)的机械性能，这些框架可用于从沙漠中的空气中提取水，储存危险气体或为氢气汽车供电。
由剑桥大学领导的研究人员使用他们的机器学习算法来预测超过3000种现有MOF的性质，以及尚未在实验室中合成的MOF。
该结果发表在Cell Press期刊Matter的首版上，可用于显着加快材料在分子尺度上的表征和设计方式。
MOF是由金属和有机原子连接在一起的自组装3D化合物。与塑料一样，它们用途广泛，可以定制成数百万种不同的组合。与基于仅在一个方向上生长的长链聚合物的塑料不同，MOF具有在所有方向上生长的有序晶体结构。
这种晶体结构意味着MOF可以像积木一样制造：单个原子或分子可以切换进出结构，这是塑料无法达到的精确度。
这些结构具有高度多孔性和巨大的表面积：一个平坦的糖立方体大小的MOF将覆盖六个足球场的面积。然而，或许有点违反直觉，MOF制作高效的存储设备。任何给定MOF中的孔隙都可以定制，只需更换构件即可形成适合不同分子的完美形状的存储袋。
“MOFs如此多孔，使得它们适用于各种不同的应用，但同时它们的多孔性使它们非常脆弱，”剑桥化学工程和生物技术系的David Fairen-Jimenez博士说，他领导了这项研究。
MOF以粉末形式合成，但为了实际应用，将粉末置于压力下并形成更大的成形粒料。由于它们的多孔性，许多MOF在这个过程中被压碎，浪费时间和金钱。
为了解决这个问题，Fairen-Jimenez及其来自比利时和美国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，因此只制造那些具有必要机械稳定性的MOF。
研究人员使用多层次计算方法来构建MOF结构和机械景观的交互式地图。首先，他们使用高通量分子模拟3,385个MOF。其次，他们开发了一种可自由使用的机器学习算法，以自动预测现有和尚未合成的MOF的机械特性。
“我们现在能够同时解释所有材料的景观，”Fairen-Jimenez说。“通过这种方式，我们可以预测给定任务的最佳材料。”
研究人员已经建立了一个互动网站，科学家可以在其中设计和预测自己的MOF的表现。Fairen-Jimenez表示，该工具将有助于缩小在该领域工作的实验主义者和计算机主义者之间的差距。“它允许研究人员使用他们所需的工具来处理这些材料：它简化了他们需要提出的问题，”他说。