Seit Jahrzehnten faszinieren metallorganische Gerüste (MOFs) Forscher aufgrund ihres breiten Anwendungsspektrums: Gasabsorption, Wassergewinnung, Energiespeicherung und Entsalzung. Bisher war es eine Herausforderung, schnell und kostengünstig die leistungsstärksten MOFs für bestimmte Aufgaben auszuwählen. Hier kommt MOFormer ins Spiel, ein Modell für maschinelles Lernen, das bei Vorhersageaufgaben eine höhere Genauigkeit erreichen kann als führende Modelle, ohne sich explizit auf 3D-Atomstrukturen zu verlassen.
„Wir haben erkannt, dass die Verwendung der 3D-Strukturen von MOFs zu zusätzlichen Kosten führt. Um dies zu umgehen, haben wir MOFids verwendet, um genaue Vorhersagen zu treffen“, erklärte Yuyang Wang, ein Ph.D. Student in der Forschungsgruppe des Professors für Maschinenbau Amir Barati Farimani.
Diese Forschung wurde erstmals in The veröffentlicht Zeitschrift der American Chemical Society.
Ein MOFid ist eine Textzeichenfolgendarstellung der MOF-Bausteine – eine Kombination aus Metallknoten, organischen Linkern und Topologien –, die es maschinellen Lernmodellen ermöglicht, Eigenschaftsvorhersagen auszugeben. Aufgrund der unzähligen Kombinationen dieser Bausteine ist es schwierig, optimale MOFs zu finden. Mit dem MOFormer von Barati Farimani können Forscher ein schnelleres Screening von MOFs durchführen, indem sie hypothetisch neue MOFids erstellen.
„Um MOFormer zu trainieren, verwenden wir selbstüberwachtes Lernen (SSL), das sowohl den strukturbasierten Ansatz mit einem graphischen neuronalen Netzwerk als auch den strukturunabhängigen Ansatz mit MOformer nutzt. SSL verbessert die Leistung von MOFormer bei nachgelagerten Eigenschaftenvorhersageaufgaben. Mit einem solchen Ansatz.“ „Wir erforschen, wie strukturbasierte und strukturunabhängige Ansätze gegenseitige Informationen nutzen können“, erklärt Rishikesh Magar, ein Ph.D. Student in Baratis Labor.
„Dies ebnet Forschern den Weg, MOFs effizienter zu bauen. Angenommen, es gibt eine Million hypothetischer MOF-Strukturen, die für die Wassergewinnung geeignet erscheinen könnten. Der MOFormer kann sie eingrenzen, indem er vorhersagt, welche die wünschenswertesten Eigenschaften haben werden. Von dort aus kann Forscher müssen möglicherweise nur 100 Variationen im Labor testen“, sagt Zhonglin Cao, ein Ph.D. Student in Baratis Gruppe, illustriert.
Im Vergleich zu anderen strukturunabhängigen Methoden erreicht MOFormer eine um 35–48 % höhere Genauigkeit bei verschiedenen Aufgaben zur Vorhersage der Gasabsorption und eine um 21,4 % höhere Genauigkeit bei der Bandlückenvorhersage.
„Wir gehen davon aus, dass der MOFormer die Erforschung von MOFs beschleunigen wird“, sagte Farmini. „Es kann als Werkzeug zur Erforschung des riesigen chemischen Raums hypothetischer MOFs dienen.“
Mehr Informationen:
Zhonglin Cao et al, MOFormer: Self-Supervised Transformer Model for Metal-Organic Framework Property Prediction, Zeitschrift der American Chemical Society (2023). DOI: 10.1021/jacs.2c11420