人工智能技术(机器学习)正在帮助加速称为金属有机框架(MOF)的高度可调材料的开发，这些材料在化学分离，吸附，催化和传感方面具有重要的应用。利用有关200多个现有MOF的属性的数据，对机器学习平台进行了培训，以通过预测一个经常需要的属性(水稳定性)来帮助指导新材料的开发。利用该模型的指导，研究人员可以避免耗时的合成工作，然后通过实验测试新的候选MOF的水稳定性来完成这项繁琐的工作。研究人员已经在扩展模型以预测其他重要的MOF属性。
金属有机骨架(MOF)是一类多孔的晶体材料，由无机金属离子或与有机配体连接的簇合成。显示的是两种这样的材料，HKUST-1和MIL-100(Fe)。图片来源：佐治亚理工学院的Tania Evans
在能源部(DOE)的科学办公室的基础能源科学计划的支持下，这项研究在《自然机器智能》杂志上进行了报道。这项研究是在 位于佐治亚理工学院的DOE能源前沿研究中心的酸性气体诱导的能源材料演化的理解和控制中心(UNCAGE-ME)中进行的。
佐治亚理工学院化学与生物分子工程学院的教授兼罗伯特·“布德”·穆勒教授罗伯特·“布德”·穆勒教授 Krista Walton说：“ MOF的水稳定性问题在这一领域已经存在了很长时间，没有容易预测的方法 。” “不必为每个候选MOF进行合成和实验来弄清楚这一点，该机器学习模型现在提供了一种在给定所需特征集的情况下预测水稳定性的方法。这确实将加快为特定应用识别新材料的过程。”
MOF是一类多孔的晶体材料，由无机金属离子或与有机配体连接的簇合成。它们以易于调整的组件而闻名，可以为特定的应用定制这些组件，但是大量潜在的组合使得难以选择具有所需特性的MOF。那就是人工智能可以提供帮助的地方。
机器学习在材料科学越来越重要的角色，说 Rampi Ramprasad，教授和Michael E. Tennenbaum家庭主席在佐治亚理工学院校 材料科学与工程 和 乔治亚研究联盟 杰出学者及能源的可持续发展。
“当材料科学家计划下一组实验时，我们将利用过去积累的直觉和见解，”兰普拉萨德说。“机器学习使我们能够以最有效，最有效的方式充分利用过去的知识。如果已经完成200个实验，则机器学习使我们可以在计划第201个实验时利用从它们中学到的所有知识。”
除了实验数据，机器学习还可以使用基于物理的模拟结果。与仿真不同，机器学习模型的结果可以是瞬时的。他指出，机器学习算法随着接收到更多信息而不断改进，无论是正面还是负面的结果都是有用的。
Ramprasad说：“伟大的发现与不那么令人兴奋的发现一样重要-实验失败-因为机器学习利用频谱的两端来更好地完成工作。”
机器学习模型使用了沃尔顿(Walton)的信息，她的研究团队从她自己的实验室开发的化合物以及其他研究人员报告的化合物中收集了数百种现有的MOF材料。为了准备可供模型学习的信息，她根据水稳定性的四个度量对每个MOF进行了分类。
沃尔顿说：“用于建立模型的数百个数据点代表了多年的实验。” “我基本上花了我职业生涯的前半段时间来了解MOF的水稳定性问题，因此我们对此进行了广泛的研究。”
使用该模型，正在为特定应用开发新型吸附剂和其他多孔材料的研究人员现在可以检查其提议的公式，以确定在水中存在时新MOF稳定的可能性。对于没有这种专门知识的研究人员或无法轻松地使用实验方法来检查稳定性的研究人员，这可能特别有用。
“ MOF社区是多样化的，具有多个子领域。并不是每个人都对哪种材料的特性可以导致良好的框架稳定性具有化学直觉，并且实验评估通常需要许多实验室可能没有或不需要的专用设备，以用于其特定的子领域。但是，有了良好的预测模型，他们不一定需要开发它来选择用于特定应用的材料。” Walton说。“这项功能可能会为更广泛的研究人员打开这一领域，从而可以加速应用程序开发。”
尽管对水的稳定性进行筛查很重要，但兰普拉萨德说，这仅仅是该项目潜在收益的开端。只要存在足够数量的数据，就可以训练机器学习模型来预测其他属性。例如，该团队已经在教导他们的模型有关在不同压力水平下影响甲烷吸收的因素。在这种情况下，仿真将提供模型可从中学习的许多数据。
他说：“我们将有一个非常强大的预测因子，它将告诉我们新的MOF在含水条件下是否稳定并且是甲烷吸收的良好候选者。” “我们正在做的是创建一个通用且可扩展的机器学习平台，该平台可以在新特性上进行培训。只要有可用的数据，该模型就可以从中学习，并对新情况做出预测。”
除了已经提到的内容外，最近佐治亚理工学院的博士后研究员Rohit Batra和佐治亚理工学院的研究生Carmen Chen和Tania G. Evans还是《自然机器智能》 论文的合著者 。
Ramprasad拥有将机器学习技术应用于其他材料和应用空间的经验，并且最近与人合着了一篇评论文章“由机器学习推动的新兴材料智能生态系统”，内容涉及材料科学和工程学中的一系列人工智能应用。旨在揭开机器学习的神秘面纱并回顾材料开发领域的成功案例，该书也于2020年11月9日发表在《自然评论材料》杂志上。
除了Ramprasad之外，《自然评论材料》 论文的合著者 还包括佐治亚理工大学计算机学院的Batra和Le Song。