Metallorganische Gerüste, eine Klasse von Materialien mit porösen Molekülstrukturen, haben eine Vielzahl möglicher Anwendungen, wie das Einfangen schädlicher Gase und das Katalysieren chemischer Reaktionen. Sie bestehen aus Metallatomen, die durch organische Moleküle verbunden sind, und können auf hunderttausende verschiedene Arten konfiguriert werden.
Um Forscher dabei zu unterstützen, alle möglichen metallorganischen Gerüststrukturen (MOF) zu sichten und diejenigen zu identifizieren, die für eine bestimmte Anwendung am praktischsten wären, hat ein Team von MIT-Computerchemikern ein Modell entwickelt, mit dem die Eigenschaften eines MOF analysiert werden können zu strukturieren und vorherzusagen, ob es stabil genug ist, um nützlich zu sein.
Die Forscher hoffen, dass diese rechnerischen Vorhersagen dazu beitragen werden, die Entwicklungszeit neuer MOFs zu verkürzen.
„Dies wird es Forschern ermöglichen, das Versprechen bestimmter Materialien zu testen, bevor sie sich die Mühe machen, sie zu synthetisieren“, sagt Heather Kulik, außerordentliche Professorin für Chemieingenieurwesen am MIT.
Das MIT-Team arbeitet nun an der Entwicklung von MOFs, die verwendet werden könnten, um Methangas einzufangen und es in nützliche Verbindungen wie Kraftstoffe umzuwandeln.
Die Forscher beschrieben ihr neues Modell in zwei Abhandlungen, eine in der Zeitschrift der American Chemical Society und eins drin Wissenschaftliche Daten. Die Doktoranden Aditya Nandy und Gianmarco Terrones sind die Hauptautoren des Wissenschaftliche Daten Papier, und Nandy ist auch der Hauptautor der JACS Papier. Kulik ist der leitende Autor beider Artikel.
Modellierungsstruktur
MOFs bestehen aus Metallatomen, die durch organische Moleküle, sogenannte Linker, verbunden sind, um eine starre, käfigartige Struktur zu schaffen. Die Materialien haben auch viele Poren, was sie für die Katalyse von Reaktionen mit Gasen nützlich macht, sie aber auch weniger strukturstabil machen kann.
„Die Einschränkung bei der Realisierung von MOFs im industriellen Maßstab besteht darin, dass wir zwar ihre Eigenschaften steuern können, indem wir steuern, wo sich jedes Atom in der Struktur befindet, sie aber nicht unbedingt so stabil sind, was die Materialien betrifft“, sagt Kulik. „Sie sind sehr porös und können unter realistischen Bedingungen, die wir für die Katalyse brauchen, abgebaut werden.“
Wissenschaftler arbeiten seit mehr als 20 Jahren an der Gestaltung von MOFs, und Tausende möglicher Strukturen wurden veröffentlicht. Ein zentralisiertes Archiv enthält etwa 10.000 dieser Strukturen, ist aber mit keinem der veröffentlichten Erkenntnisse über die Eigenschaften dieser Strukturen verknüpft.
Kulik, der sich auf die Verwendung von Computermodellen zur Entdeckung von Struktur-Eigenschafts-Beziehungen von Materialien spezialisiert hat, wollte einen systematischeren Ansatz zur Analyse und Klassifizierung der Eigenschaften von MOFs verfolgen.
„Wenn Leute diese jetzt erstellen, ist es meistens Versuch und Irrtum. Der MOF-Datensatz ist wirklich vielversprechend, weil es so viele Leute gibt, die sich für MOFs begeistern, also gibt es so viel zu lernen von dem, woran alle gearbeitet haben, aber gleichzeitig ist es sehr laut und es ist nicht systematisch, wie es berichtet wird“, sagt sie.
Kulik und ihre Kollegen machten sich daran, veröffentlichte Berichte über MOF-Strukturen und -Eigenschaften mithilfe eines Algorithmus zur Verarbeitung natürlicher Sprache zu analysieren. Mit diesem Algorithmus durchsuchten sie fast 4.000 veröffentlichte Artikel und extrahierten Informationen über die Temperatur, bei der ein bestimmtes MOF zerfallen würde. Sie zogen auch Daten darüber heraus, ob bestimmte MOFs den Bedingungen standhalten können, die erforderlich sind, um Lösungsmittel zu entfernen, die zu ihrer Synthese verwendet wurden, und sicherzustellen, dass sie porös werden.
Sobald die Forscher diese Informationen hatten, nutzten sie sie, um zwei neuronale Netzwerke zu trainieren, um die thermische Stabilität und Stabilität von MOFs während der Lösungsmittelentfernung basierend auf der Struktur der Moleküle vorherzusagen.
„Bevor Sie anfangen, mit einem Material zu arbeiten und darüber nachdenken, es für verschiedene Anwendungen hochzuskalieren, möchten Sie wissen, ob es hält oder sich unter den Bedingungen, unter denen ich es verwenden möchte, verschlechtern wird?“ Kulik sagt. „Unser Ziel war es, besser vorhersagen zu können, was ein stabiles MOF ausmacht.“
Bessere Stabilität
Anhand des Modells konnten die Forscher bestimmte Merkmale identifizieren, die die Stabilität beeinflussen. Im Allgemeinen sind einfachere Linker mit weniger daran gebundenen chemischen Gruppen stabiler. Auch die Porengröße ist wichtig: Bevor die Forscher ihre Analyse durchführten, dachte man, dass MOFs mit größeren Poren zu instabil sein könnten. Das MIT-Team fand jedoch heraus, dass großporige MOFs stabil sein können, wenn andere Aspekte ihrer Struktur der großen Porengröße entgegenwirken.
„Da MOFs so viele Dinge haben, die gleichzeitig variieren können, wie z. B. das Metall, die Linker, die Konnektivität und die Porengröße, ist es schwierig, festzulegen, was die Stabilität über verschiedene MOF-Familien hinweg bestimmt“, sagt Nandy. „Unsere Modelle ermöglichen es Forschern, Vorhersagen zu bestehenden oder neuen Materialien zu treffen, von denen viele noch gemacht werden müssen.“
Die Forscher haben ihre Daten und Modelle gemacht Online verfügbar. Wissenschaftler, die an der Verwendung der Modelle interessiert sind, können Empfehlungen für Strategien erhalten, um ein bestehendes MOF stabiler zu machen, und sie können auch ihre eigenen Daten und Rückmeldungen zu den Vorhersagen der Modelle hinzufügen.
Das MIT-Team verwendet nun das Modell, um zu versuchen, MOFs zu identifizieren, die verwendet werden könnten, um die Umwandlung von Methangas in Methanol zu katalysieren, das als Brennstoff verwendet werden könnte. Kulik plant auch, das Modell zu verwenden, um einen neuen Datensatz hypothetischer MOFs zu erstellen, die noch nie zuvor gebaut wurden, denen aber eine hohe Stabilität vorhergesagt wird. Forscher könnten diesen Datensatz dann auf eine Vielzahl von Eigenschaften untersuchen.
„Die Leute interessieren sich für MOFs für Dinge wie Quantensensorik und Quantencomputer, alle möglichen Anwendungen, bei denen Metalle auf diese atomar präzise Weise verteilt werden müssen“, sagt Kulik.
Aditya Nandy et al, Verwendung von maschinellem Lernen und Data Mining zur Nutzung von Gemeinschaftswissen für die Entwicklung stabiler metallorganischer Gerüste, Zeitschrift der American Chemical Society (2021). DOI: 10.1021/jacs.1c07217
Aditya Nandy et al, MOFSimplify, maschinelle Lernmodelle mit extrahierten Stabilitätsdaten von dreitausend metallorganischen Gerüsten, Wissenschaftliche Daten (2022). DOI: 10.1038/s41597-022-01181-0
Diese Geschichte wurde mit freundlicher Genehmigung von MIT News (web.mit.edu/newsoffice/), eine beliebte Website, die Neuigkeiten über MIT-Forschung, -Innovation und -Lehre enthält.