630,000 の 3 次元空間構成を効果的に特定し、清華大学が MOF 吸着容量を予測する Uni-MOF モデルを率先して発表

産業界では、高純度ガスは半導体製造、光ファイバー製造、科学研究、医療健康、環境に優しいエネルギー、その他多くの分野で広く使用されています。たとえば、半導体産業では、高純度ガスはチップ製造の重要な原料であり、集積回路の性能と歩留まりに直接影響します。

高純度ガスを調製する際の重要な課題はガスの分離です。一般的なガス分離方法には、極低温法（蒸留原理）、吸着法（分子極性）、膜法（膜濾過）などが含まれます。中でも、有機金属フレームワーク (MOF) は、その高度に規則的な細孔構造と調整可能な細孔サイズにより、ガスの吸着貯蔵と分離において大きな応用可能性を示しています。関係者らは、20世紀にとってプラスチックが重要であったのと同じくらい、MOFも21世紀にとって重要になるかもしれないと予測している。

しかし、MOFの吸着能力を正確に予測するにはまだ多くの課題があり、清華大学化学工学部のLu Diannan教授のチームは、カリフォルニア大学リバーサイド校のWu Jianzhong教授と研究者らと協力して取り組んだ。北京科学知能研究所の Gao Zhifeng 氏が最近 Nature Communications に発表しました。「金属有機フレームワークにおける高精度ガス吸着予測のための包括的な変圧器ベースのアプローチ」と題された最新の論文が発表されました。

本研究では、三次元MOF材料の吸着挙動を予測するための機械学習モデルUni-MOFを提案します。これは、さまざまな使用条件下でのさまざまなガスに対するナノ多孔質材料の吸着性能を予測するために使用されます。これは、材料科学分野における機械学習テクノロジーの応用における大きな進歩です。

研究のハイライト:

*Uni-MOF フレームワークは、さまざまな条件下で MOF のガス吸着容量を予測するために使用できる多用途のソリューションです。

* Uni-MOF は、事前トレーニングを通じてナノ多孔質材料の三次元構造を特定して復元できるだけでなく、温度、圧力、さまざまなガス分子などの動作条件をさらに考慮できるため、科学研究と実用化の両方に適しています。

※Uni-MOFは他のガスの吸着データを活用することで、未知のガスの吸着性能を正確に予測します

用紙のアドレス:
https://www.nature.com/articles/s41467-024-46276-x 

公式アカウントをフォローし、バックグラウンドで「Adsorption」とリプライすると全文PDFが入手できます

データセット: 既存のデータベース + 手続き的に生成されたデータ

この研究では、事前トレーニングに使用される MOF/COF 構造は、現在利用可能なデータベースから収集されるか、対応するプログラムを使用して生成されるという 2 つの側面から主に導出されます。

現在、計算合成された hMOF50 データベース、トポロジーベースの結晶構築プログラム (ToBaCCo) MOF、実験レベルの CoRE (Computational Ready Experiment) MOF51、CoRE COF52、CCDC (ケンブリッジ) など、多数の MOF/COF データベースが存在します。結晶学データセンター)お待ちください。

さらに、統合オンライン データベース MOFXDB では、168,000 を超える MOF/COF 構造が利用可能です。研究者らは、材料ライブラリーでナノ多孔質材料を探索することに加え、ToBaCCo.3.0 プログラムを使用して 306,773 を超える MOF 構造を生成しました。

下流のタスク、つまり MOF によるガスの吸着と吸収について、研究者らは MOFXDB などのオンライン ソースからデータを収集し、5 つのガス (CO) に対して 240 万以上の hMOF を形成しました。₂ 、N_2. CH₄ 、Kr、₂) 77/87 K および 1 ～ 105 Pa で設定された吸着データ。

さらに、研究者らは、RASPA54 ソフトウェアを使用して Grand Canonical Monte Carlo (GCMC) 53 シミュレーションを実行し、50,000 の初期化サイクルと吸着容量サンプルの追加の 50,000 サイクルを含む、99,000 を超える追加のガス吸着データセットを生成しました。収集された吸着データは、7 つのガス分子 (CH₄ 、コロラド州₂ 、Ar、Kr、Xe、O₂ 、 彼）。

モデル フレームワーク: 事前トレーニング + マルチタスク予測の微調整

Uni-MOF フレームワークには、3 次元ナノポア結晶に関する事前トレーニングと、下流アプリケーションでのマルチタスク予測のための微調整が含まれています。

モデルの事前トレーニング段階では、研究者らはモデルのパフォーマンスを向上させるために 2 種類のタスクを実装しました。

1 つ目のタイプのタスクは、不明瞭な原子の種類を予測すること、つまり、分子構造の不明瞭な部分にある原子の種類を特定して予測することです。 2 番目のタイプのタスクは、ノイズ下で 3 次元座標回復タスクを実行することです。具体的な操作は、15% の原子座標上の [-1Å, +1Å] の範囲に一様なノイズを導入し、空間位置エンコーディングを計算することです。これらの破損した座標に基づいて。

これら 2 種類のタスクは、データとの干渉に耐えるモデルの能力を向上させるように設計されており、それによって後続の予測タスクに直面する際により正確なパフォーマンスを提供します。

微調整の段階では、研究者らは、吸着容量の正確な予測を達成するために、さまざまな吸着条件下で MOF と COF をカバーする約 300 万のラベル付きデータ ポイントを使用しました。

システム間のターゲット データの多様なデータベースを通じて、微調整された Uni-MOF は、さまざまなガス、温度、圧力など、あらゆる状態の MOF のマルチシステム吸着性能を予測できます。したがって、Uni-MOF は、MOF 吸着剤の吸着性能を予測するための統一された使いやすいフレームワークです。

研究結果: Uni-MOF フレームワークは材料科学に幅広く応用可能

まず、研究者らはUni-MOFの予測能力を検証した。

予測結果によると、Uni-MOF は、hMOF_MOFX_DB や CoRE_MOFX_DB など、十分なデータと比較的集中した動作状態を備えたデータベースに適用すると、R² 値がそれぞれ 0.98 と 0.92 で、非常に高い堅牢性を示すことが示されています。広く分散されたデータセット CoRE_MAP では、Uni-MOF の予測精度は 0.83 に達し、依然として優れた予測精度を達成でき、優れた一般化能力を示しています。

第二に、研究者らはUni-MOFの予測を実験的に収集された結果と比較した。

研究者らは、Uni-MOF フレームワークが、低圧条件下での予測吸着容量のみに基づいて高性能吸着剤を正確にスクリーニングできることを発見しました。低圧条件下での予測値の多くは、特に Mg-dobdc と MOF-5 の場合、実験値から大きく乖離していることに注目する価値があります。しかしそれでも、Uni-MOF フレームワークは、多くの材料の中で予測精度において最高のランクに位置しており、エンジニアリング上の課題を解決するのに適しています。

第三に、研究者らはシステム間の特性に関して Uni-MOF の予測能力を検証しました。

テスト結果は、Uni-MOF が未知ガスの吸着容量の予測にロバスト性を示し、クリプトンに対して 0.85 という高い予測精度 (R²) を達成し、すべての未知ガスの予測精度が 0.35 より高いことを示しています。単一システムのタスクと比較して、Uni-MOF フレームワークはシステム間のデータセットで優れたパフォーマンスを示し、未知のガスの吸着性能を正確に予測でき、その強力な予測能力と普遍性を示しています。

さらに、構造を識別するモデルの能力を評価するために、研究者らは hMOF-5004238 を例として使用し、材料構造内の原子間相互作用力を分析しました。630,000 を超える三次元空間構成とそれらの原子間の接続関係を特定する際の Uni-MOF の有効性を証明し、これは、このモデルの多用途性と幅広い応用の見通しを強調しています。

要約すると、Uni-MOF フレームワークは MOF 材料の多用途予測プラットフォームであり、MOF のガス吸着予測器として、さまざまな動作条件下でガス吸着を予測する際に高い精度を示し、材料科学の分野で幅広い用途があります。さらに重要なことは、Uni-MOF が材料科学分野における機械学習技術の応用において大きな進歩を遂げたことです。

発見・設計・最適化、AIが総合的に材料科学を加速

材料科学は、新材料の発見、設計、製造に関連する重要な学問であり、さまざまな分野で非常に重要な役割を果たしています。ヘルスケアからエネルギー貯蔵、環境保護から情報技術に至るまで、材料科学の発展は、今日社会が直面しているさまざまな課題を解決するために不可欠です。

テクノロジーの継続的な進歩に伴い、私たちは材料科学革命の時代を迎えており、新しい材料の出現により、問題を解決するための新しい方法と新しいツールが人類に提供されています。材料の特性と構造をより深く理解することで、より軽く、より強く、よりエネルギー効率の高い材料を作成できることが期待されます。

人工知能技術は、新しい材料の発見を加速し、材料の性能を向上させ、研究開発コストを削減することができ、近年、材料科学の分野で大きな応用可能性を示しています。

* 材料の発見と設計:

人工知能テクノロジーは、効率的なデータマイニングとパターン認識を通じて、新しい材料の発見と設計プロセスを加速できます。たとえば、機械学習アルゴリズムを使用して、多数の既知の材料の構造と特性を分析し、特定の特性を持つ新しい材料を予測できます。この方法により、材料のスクリーニング時間を大幅に短縮し、テストのコストを削減できます。

2023 年 11 月末、Google DeepMind は、材料科学向けの人工知能強化学習モデル Graph Networks for Materials Exploration (GNoME) を開発し、このモデルと高スループットの第一原理計算を通じて開発したと発表した論文を Nature 誌に発表しました。 , 熱力学的に安定した結晶材料が38万種類以上発見されており、これは「人間の科学者によるほぼ800年の知識の蓄積」に相当し、新材料発見の研究スピードが大幅に加速している。

(クリックして詳細レポートを表示: DeepMind が GNoME をリリース、深層学習を使用して 220 万個の新しい結晶を予測)

*材料性能予測:

人工知能テクノロジーは、材料の性能と挙動を予測するための効率的な予測モデルを構築できます。これらのモデルは、材料特性の正確な予測を提供するために、大量の実験データまたはシミュレーション結果に基づいてトレーニングできます。たとえば、機械学習アルゴリズムを使用して材料の機械的特性、熱的特性、電子構造を予測することができ、材料の設計と応用に重要な参考資料を提供します。

* 材料の最適化と設計:

人工知能テクノロジーは、材料の構造と性能をインテリジェントに最適化することで、材料の性能と安定性を向上させることができます。たとえば、強化学習アルゴリズムを使用して材料準備プロセスを自動的に最適化し、材料のパフォーマンスを最大化できます。

* 材料プロセスの制御とモニタリング:

人工知能テクノロジーを使用すると、材料準備プロセスを最適化し、材料生産プロセスのインテリジェントな監視と制御を実現できます。たとえば、機械学習アルゴリズムを使用して、材料準備プロセス中のさまざまなパラメータや条件を分析し、プロセスを最適化し、生産効率と材料品質を向上させることができます。同時に、人工知能技術は材料生産プロセスのリアルタイム監視と早期警告も実現し、潜在的な問題を事前に検出して解決し、生産リスクを軽減するのに役立ちます。

材料科学分野における人工知能技術の応用は一連の重要な進歩を遂げ、材料の発見、設計、最適化、準備のための新しいアイデアと方法を提供しました。将来的には、科学者は AI テクノロジーを使用して、材料の性能をより適切に予測し、分子の構造をシミュレーションし、材料の設計を最適化し、材料の特性を調査するなど...それによって、科学分野の進歩と革新を促進し続けることができます。材料科学。

参考文献:
1.https://www.nature.com/articles/s41467-024-46276-x#Sec11
2.https://www.sohu.com/a/753459278_661314
3.https://www.tsinghua.edu.cn/info/1175/110086.htm