Sartaaj Takrim Khan Seyed Mohamad Moosavi

Abstract

Jedes Jahr erstellen Forscher Hunderttausende neue Materialien mit jeweils einzigartigen Strukturen und Eigenschaften. So wurden allein im vergangenen Jahr über 5000 neue metallorganische Gerüste (MOFs) berichtet. Obwohl diese Materialien häufig für spezifische Anwendungen synthetisiert werden, können sie potenziell in völlig anderen Bereichen eingesetzt werden. Die Zuordnung neuer Materialien zu ihren optimalen Anwendungen stellt jedoch weiterhin eine große Herausforderung dar. In dieser Studie demonstrieren wir einen multimodalen Ansatz, der bereits verfügbare Informationen nutzt, sobald ein MOF synthetisiert wurde – insbesondere sein Pulver-Röntgenbeugungsmuster (PXRD) und die bei der Synthese verwendeten Chemikalien –, um dessen potenzielle Eigenschaften und Anwendungen vorherzusagen. Durch selbstüberwachtes Vortrainieren des Modells auf Kristallstrukturen, die aus MOF-Datenbanken zugänglich sind, erreicht unser Modell präzise Vorhersagen für verschiedene Eigenschaften – sowohl hinsichtlich der Porenenstruktur als auch chemieabhängiger und quantenchemischer Eigenschaften – selbst bei geringen Datensätzen. Wir untersuchen zudem die Robustheit dieses Ansatzes gegenüber experimentellen Messfehlern. Mit dieser Methode erstellen wir eine Synthese-zu-Anwendung-Karte für MOFs und gewinnen Einblicke in die optimalen Materialklassen für vielfältige Anwendungen. Schließlich identifizieren wir mithilfe einer ergänzenden Empfehlungsfunktion vielversprechende MOFs für Anwendungen, die sich von den ursprünglich berichteten unterscheiden. Wir stellen dieses Werkzeug als Open-Source-Code und Webanwendung zur Verfügung, um die Zuordnung neuer Materialien zu ihren potenziellen industriellen Anwendungen zu beschleunigen.