Die chemischen Materialien in allen Dimensionen sind ein wichtiges Thema, das in verschiedenen Studien untersucht wurde. Metal-Organic Frameworks (MOFs) haben ultrahohe Oberflächen und werden für die Speicherung von Gasen wie CO2 und Wasserstoff optimiert. Die Optimierung der Kristallmorphologie und -größe sowie die Synthese von HKUST-ähnlichen tbo-MOFs tragen dazu bei, die Lagerungseigenschaften zu verbessern. Darüber hinaus wird die Selektivität von CO2 in einem Cobaltadeninat-MOF untersucht und ein subset der Cambridge Structural Database für die Entwicklung von MOFs verwendet.
Maschinelles Lernen wird zunehmend eingesetzt, um die Leistung und Eigenschaften von MOFs vorzusagen. Durch die großangelegte Suche nach hypothetischen MOFs und die Anwendung von maschinellem Lernen konnten Fortschritte bei der CO2-Abscheidung und der Wasserstoffspeicherung erzielt werden. Weitere Studien befassen sich mit der Beschleunigung der Materialentdeckung mittels maschinellem Lernen, der Vorhersage von Eigenschaften von MOFs und dem Screening von Materialsammlungen.
Tieferes maschinelles Lernen wird auch zur Vorhersage von Adsorptionseigenschaften in nanoporösen Materialien eingesetzt, wobei Convolutional Neural Networks (CNNs) und universelle Algorithmen angewendet werden. Die Vorhersage der Adsorptionseigenschaften für verschiedene Gase in porösen Materialien, einschließlich eines 3D-CNN-Modells, zeigt vielversprechende Ergebnisse. Darüber hinaus wird die Anwendung von Maschinellem Lernen für die Vorhersage von Methanspeicherung in MOFs und die Berechnung von Partialladungen in MOFs und COFs untersucht.
Insgesamt zeigt die Forschung, dass maschinelles Lernen und Deep Learning wichtige Werkzeuge für die Vorhersage und Optimierung der Leistung von MOFs und anderen nanoporösen Materialien sind. Diese Techniken ermöglichen schnellere Entdeckungen, bessere Vorhersagen von Eigenschaften und eine effizientere Materialentwicklung für verschiedene Anwendungen im Energiesektor und Umweltschutz.