L'Université Tsinghua Dirige La Publication Du Modèle Uni-MOF, Qui Identifie Efficacement 630 000 Configurations Spatiales Tridimensionnelles Et Prédit La Capacité D'adsorption Des MOF

Dans le monde industriel, les gaz de haute pureté sont largement utilisés dans de nombreux domaines tels que la fabrication de semi-conducteurs, la production de fibres optiques, la recherche scientifique, la santé médicale, la protection de l'environnement, l'énergie, etc. Par exemple, dans l'industrie des semi-conducteurs, les gaz de haute pureté sont des matières premières essentielles pour la fabrication de puces et affectent directement les performances et le rendement des circuits intégrés.

Le principal défi dans la préparation de gaz de haute pureté est la séparation des gaz. Les méthodes courantes de séparation des gaz comprennent la cryogénie (principe de distillation), l'adsorption (polarité moléculaire), la méthode membranaire (filtration membranaire), etc. Parmi elles, les structures organométalliques (MOF) présentent un grand potentiel d'application dans l'adsorption, le stockage et la séparation des gaz en raison de leur structure de pores hautement ordonnée et de leur taille de pores réglable.Certains prédisent que les MOF pourraient être aussi importants au 21e siècle que les plastiques l’ont été au 20e siècle.

Cependant, prédire avec précision la capacité d’adsorption des MOF reste confronté à de nombreux défis. Pour répondre à ce problème, l'équipe du professeur Lu Diannan du département de génie chimique de l'université Tsinghua, en collaboration avec le professeur Wu Jianzhong de l'université de Californie à Riverside et le chercheur Gao Zhifeng de l'institut de technologie scientifique et intelligente de Pékin, a récemment publié un nouvel article intitulé « Une approche complète basée sur un transformateur pour des prédictions d'adsorption de gaz de haute précision dans des cadres organométalliques » dans Nature Communications.

Cette étude propose un modèle d'apprentissage automatique Uni-MOF pour prédire le comportement d'adsorption des matériaux MOF tridimensionnels, qui est utilisé pour prédire les performances d'adsorption des matériaux nanoporeux pour divers gaz dans diverses conditions de travail.Il s’agit d’une avancée majeure dans l’application de la technologie d’apprentissage automatique dans le domaine de la science des matériaux.

Points saillants de la recherche :

* Le cadre Uni-MOF est une solution polyvalente pour prédire la capacité d'adsorption de gaz des MOF dans différentes conditions

* Uni-MOF peut non seulement reconnaître et restaurer la structure 3D des matériaux nanoporeux grâce à une pré-formation, mais prend également en compte les conditions de fonctionnement telles que la température, la pression et différentes molécules de gaz, ce qui le rend adapté à la fois à la recherche scientifique et aux applications pratiques

* En exploitant les données d'adsorption d'autres gaz, Uni-MOF prédit avec précision les performances d'adsorption de gaz inconnus

Adresse du document :
https://www.nature.com/articles/s41467-024-46276-x 

Suivez le compte officiel et répondez « adsorption » pour obtenir le PDF complet

Ensemble de données : base de données existante + données générées par le programme

Dans cette étude, les structures MOF/COF utilisées pour la pré-formation proviennent principalement de deux aspects : collectées à partir de bases de données actuellement disponibles ou générées à l'aide de programmes correspondants.

Il existe actuellement un grand nombre de bases de données MOF/COF, notamment la base de données hMOFs50 synthétisée par ordinateur, le programme de construction de cristaux basé sur la topologie (ToBaCCo) MOFs et les CoRE (Computational Ready Experiments) MOFs51, CoRE COFs52 et CCDC (Cambridge Crystallographic Data Center) de niveau expérimental.

De plus, plus de 168 000 structures MOF/COF sont disponibles dans la base de données intégrée en ligne MOFXDB. En plus d'explorer les matériaux nanoporeux dans la bibliothèque de matériaux, les chercheurs ont utilisé le programme ToBaCCo.3.0 pour générer plus de 306 773 structures MOF.

Pour la tâche en aval, c'est-à-dire l'adsorption de gaz par les MOF, les chercheurs ont collecté des données à partir de sources en ligne telles que MOFXDB, formant un ensemble de données de plus de 2,4 millions de hMOF pour cinq gaz (CO₂ , N_2. CH₄ , Kr, Xe) à 273/298 K et 0,01–10 Pa, et les données d'adsorption de plus de 460 000 CoRE MOF pour deux gaz (Ar, N₂) Ensemble de données d'adsorption à 77/87 K et 1–105 Pa.

De plus, les chercheurs ont effectué des simulations Grand Canonical Monte Carlo (GCMC) 53 à l'aide du logiciel RASPA54, générant 99 000 ensembles de données d'adsorption de gaz supplémentaires, dont 50 000 cycles d'initialisation et 50 000 cycles supplémentaires pour les échantillons de capacité d'adsorption. Les données d'adsorption ont été recueillies dans la plage de 150 à 300 K et de 1 Pa à 3 bar, en considérant sept molécules de gaz (CH₄ 、 CO₂ , Ar, Kr, Xe, O₂ , Il).

Cadre du modèle : pré-formation + réglage fin de la prédiction multitâche

Le cadre Uni-MOF comprend une pré-formation sur des cristaux nanoporeux tridimensionnels et un réglage fin pour la prédiction multitâche dans les applications en aval.

Dans la phase de pré-formation du modèle,Les chercheurs ont mis en œuvre deux types de tâches pour améliorer les performances du modèle.

Le premier type de tâche consiste à prédire le type d’atomes masqués, c’est-à-dire à identifier et à prédire les types d’atomes dans la partie masquée de la structure moléculaire. Le deuxième type de tâche consiste à effectuer des tâches de récupération de coordonnées tridimensionnelles sous bruit. L'opération spécifique consiste à introduire un bruit uniforme dans la plage de [-1Å, +1Å] sur les coordonnées atomiques de 15%, puis à calculer le codage de position spatiale en fonction de ces coordonnées endommagées.

Ces deux types de tâches sont conçus pour améliorer la capacité du modèle à résister aux interférences de données, offrant ainsi des performances plus précises face aux tâches de prédiction ultérieures.

Pendant la phase de mise au point,Les chercheurs ont utilisé environ 3 millions de points de données étiquetés couvrant les MOF et les COF dans une large gamme de conditions d'adsorption pour obtenir des prédictions précises de la capacité d'adsorption.

Grâce à une base de données diversifiée de données cibles inter-systèmes, l'Uni-MOF affiné est capable de prédire les performances d'adsorption multi-systèmes des MOF dans des conditions arbitraires, y compris différents gaz, températures et pressions. Par conséquent, Uni-MOF est un cadre unifié et facile à utiliser pour prédire les propriétés d'adsorption des adsorbants MOF.

Résultats de la recherche : le cadre Uni-MOF a de vastes applications en science des matériaux

Dans un premier temps, les chercheurs ont validé le pouvoir prédictif de l’Uni-MOF.

Les résultats de prédiction montrent que lorsqu'il est appliqué à des bases de données avec suffisamment de données et des états de fonctionnement relativement concentrés, tels que hMOF_MOFX_DB et CoRE_MOFX_DB, Uni-MOF présente une très grande robustesse avec des valeurs R² de 0,98 et 0,92, respectivement. Sur l'ensemble de données largement distribué CoRE_MAP, Uni-MOF a atteint une précision de prédiction de 0,83, ce qui permet encore d'atteindre une excellente précision de prédiction, démontrant sa bonne capacité de généralisation.

Deuxièmement, les chercheurs ont comparé les résultats prévus par Uni-MOF avec les résultats collectés expérimentalement.

Les chercheurs ont découvert que le cadre Uni-MOF était capable de sélectionner avec précision des adsorbants hautes performances en se basant uniquement sur les capacités d'adsorption prévues dans des conditions de basse pression. Il est à noter que bon nombre de ses valeurs prédites dans des conditions de basse pression s'écartent considérablement des valeurs expérimentales, notamment dans le cas du Mg-dobdc et du MOF-5. Mais même ainsi, le cadre Uni-MOF se classe toujours parmi les meilleurs en termes de précision prédictive parmi de nombreux matériaux, ce qui le rend adapté à la résolution de défis d'ingénierie.

Troisièmement, les chercheurs ont validé le pouvoir prédictif de l’Uni-MOF dans les propriétés inter-systèmes.

Les résultats expérimentaux montrent que l'Uni-MOF est robuste dans la prédiction de la capacité d'adsorption de gaz inconnus, atteignant une précision de prédiction élevée (R²) de 0,85 pour le krypton et une précision de prédiction supérieure à 0,35 pour tous les gaz inconnus. Comparé aux tâches à système unique, le cadre Uni-MOF démontre des performances supérieures sur les ensembles de données inter-systèmes et peut prédire avec précision les propriétés d'adsorption de gaz inconnus, démontrant ainsi son fort pouvoir prédictif et son universalité.

De plus, pour évaluer la capacité du modèle à reconnaître les structures, les chercheurs ont utilisé le hMOF-5004238 comme exemple pour analyser les interactions interatomiques au sein de la structure du matériau.Démontrer l’efficacité d’Uni-MOF dans l’identification de plus de 630 000 configurations spatiales tridimensionnelles et de leurs connexions atomiques.Cela met en évidence la polyvalence et les vastes perspectives d’application du modèle.

En résumé, le cadre Uni-MOF est une plate-forme prédictive polyvalente pour les matériaux MOF. En tant que prédicteur d'adsorption de gaz pour les MOF, il présente une grande précision dans la prédiction de l'adsorption de gaz dans diverses conditions de fonctionnement et a de larges applications en science des matériaux. Plus important encore, Uni-MOF a réalisé une avancée significative dans l’application des techniques d’apprentissage automatique dans le domaine de la science des matériaux.

Découverte - Conception - Optimisation, l'IA accélère la science des matériaux

La science des matériaux est une discipline importante liée à la découverte, à la conception et à la fabrication de nouveaux matériaux, et elle joue un rôle extrêmement important dans divers domaines. Des soins de santé au stockage de l’énergie, de la protection de l’environnement aux technologies de l’information, les progrès de la science des matériaux sont essentiels pour résoudre les divers défis auxquels la société est confrontée aujourd’hui.

Avec les progrès continus de la technologie, nous sommes dans une ère de révolution de la science des matériaux. L’émergence de nouveaux matériaux offre à l’humanité de nouvelles méthodes et de nouveaux outils pour résoudre les problèmes. À mesure que nous acquérons une meilleure compréhension des propriétés et des structures des matériaux, nous pouvons espérer créer des matériaux plus légers, plus résistants et plus économes en énergie.

La technologie de l’intelligence artificielle peut accélérer la découverte de nouveaux matériaux, améliorer les performances des matériaux et réduire les coûts de R&D. Ces dernières années, il a montré un grand potentiel d’application dans le domaine de la science des matériaux.

* Découverte et conception de matériaux :

La technologie de l’intelligence artificielle peut accélérer le processus de découverte et de conception de nouveaux matériaux grâce à une exploration efficace des données et à la reconnaissance des formes. Par exemple, les algorithmes d’apprentissage automatique peuvent être utilisés pour analyser la structure et les propriétés d’un grand nombre de matériaux connus, prédisant ainsi de nouveaux matériaux dotés de propriétés spécifiques. Cette méthode peut réduire considérablement le temps de sélection des matériaux et réduire le coût des tests.

Fin novembre 2023, Google DeepMind a publié un article dans le magazine Nature indiquant qu'il avait développé un modèle d'apprentissage par renforcement de l'intelligence artificielle Graph Networks for Materials Exploration (GNoME) pour la science des matériaux, et grâce à ce modèle et à des calculs à haut débit basés sur les premiers principes, il a trouvé plus de 380 000 matériaux cristallins thermodynamiquement stables, ce qui équivaut à « près de 800 ans d'accumulation de connaissances par les scientifiques humains », accélérant considérablement la vitesse de recherche pour la découverte de nouveaux matériaux.

(Cliquez ici pour un rapport détaillé : DeepMind publie GNoME, utilisant l'apprentissage profond pour prédire 2,2 millions de nouveaux cristaux)

* Prédiction des performances des matériaux :

La technologie de l’intelligence artificielle peut créer des modèles prédictifs efficaces pour prédire les performances et le comportement des matériaux. Ces modèles peuvent être formés sur la base de grandes quantités de données expérimentales ou de résultats de simulation pour fournir des prédictions précises des propriétés des matériaux. Par exemple, les algorithmes d’apprentissage automatique peuvent être utilisés pour prédire les propriétés mécaniques, les propriétés thermiques et la structure électronique des matériaux, fournissant ainsi une référence importante pour la conception et l’application des matériaux.

* Optimisation et conception des matériaux :

La technologie de l’intelligence artificielle peut améliorer les performances et la stabilité des matériaux en optimisant intelligemment la structure et les propriétés des matériaux. Par exemple, les algorithmes d’apprentissage par renforcement peuvent être utilisés pour obtenir une optimisation automatique dans le processus de préparation des matériaux, maximisant ainsi les performances des matériaux.

* Contrôle et surveillance des processus matériels :

La technologie de l’intelligence artificielle peut être utilisée pour optimiser le processus de préparation des matériaux et réaliser une surveillance et un contrôle intelligents du processus de production des matériaux. Par exemple, les algorithmes d’apprentissage automatique peuvent être utilisés pour analyser divers paramètres et conditions dans le processus de préparation des matériaux, optimiser le flux de processus et améliorer l’efficacité de la production et la qualité des matériaux. Dans le même temps, la technologie de l'intelligence artificielle peut également réaliser une surveillance en temps réel et une alerte précoce du processus de production de matériaux, aidant à découvrir et à résoudre les problèmes potentiels à l'avance et à réduire les risques de production.

L’application de la technologie de l’intelligence artificielle dans le domaine de la science des matériaux a réalisé une série de progrès importants, fournissant de nouvelles idées et méthodes pour la découverte, la conception, l’optimisation et la préparation des matériaux. À l’avenir, les scientifiques pourront utiliser la technologie de l’IA pour mieux prédire les performances des matériaux, simuler les structures moléculaires, optimiser la conception des matériaux, explorer les propriétés des matériaux, etc., favorisant ainsi en permanence le progrès et l’innovation dans le domaine de la science des matériaux.

Références :
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