Sartaaj Takrim Khan Seyed Mohamad Moosavi

摘要

每年，研究人员都会创造出数十万种新型材料，每种材料都具有独特的结构和性能。例如，仅在过去一年中，就有超过5000种新型金属有机框架材料（MOFs）被报道。尽管这些材料通常是为了特定应用而合成的，但它们也可能在完全不同的领域展现出潜在用途。然而，将新合成的材料与其最适应用领域进行匹配，仍然是一个重大挑战。在本研究中，我们提出了一种多模态方法，利用材料合成后即可获得的信息——即粉末X射线衍射图谱（PXRD）以及合成所用的化学试剂——来预测其潜在的物理性质和应用前景。通过在MOF数据库中可获取的晶体结构数据上进行自监督预训练，该模型能够在仅有少量数据的情况下，对多种性质（包括孔道结构、依赖化学组成的性质以及量子化学性质）实现高精度预测。我们进一步评估了该方法在存在实验测量误差情况下的鲁棒性。基于这一方法，我们构建了MOFs从合成到应用的映射图谱，为不同应用场景下最优材料类别的选择提供了深入洞察。最后，通过在模型中引入推荐系统，我们成功识别出在原始报道应用之外具有潜力的新型MOFs。我们已将该工具以开源代码和网页应用程序的形式公开发布，旨在加速新型材料与其潜在工业应用之间的匹配进程。