Metal-organische Gerüste (MOFs) sind poröse kristalline Materialien, deren hohe Porosität und Oberfläche zunehmend für die Adsorption von Kohlendioxid (CO2) genutzt werden. Um die Effizienz verschiedener MOFs schnell zu screenen, haben Teng und Shan ein maschinelles Lernmodell entwickelt, das die Schlüsselmerkmale bestimmt, die für das Screening von MOFs verwendet werden sollten. Sie analysierten die Auswirkungen von 23 strukturellen und molekularen Merkmalen und 765 berechneten Merkmalen für ihr Modell und bewerteten deren Bedeutung bei verschiedenen Drücken. Unabhängig vom Druck stellten sie fest, dass die molekulare Struktur und die Porengröße von MOFs entscheidend waren, um die Genauigkeit ihres Vorhersagemodells um bis zu 20 Prozent zu verbessern.
Durch die sukzessive Hinzufügung struktureller, molekularer und berechneter Merkmale zu ihrem Modell konnten die Autoren verstehen, welchen Einfluss einzelne Merkmale auf die CO2-Adsorption haben. Um zu verstehen, warum einige Merkmale höher bewertet wurden als andere, wandte das Team sein Fachwissen über intermolekulare Kräfte, sekundäre Bindungen und elektrisches Potential an. Sie planen auch weiterhin zu erforschen, wie MOFs CO2 auf atomarer Ebene adsorbieren, indem sie ähnliche maschinelle Lernmethoden anwenden.
Die Autoren sind der Ansicht, dass durch die Verwendung fortschrittlicher Deep-Learning-Modelle, wie etwa Graph-Neuronen-Netzwerken, die Screening von MOFs mit hoher Adsorptionskapazität weiter verbessert werden kann. Dieser Artikel ist Teil der Emerging Leaders in Materials Science Collection und kann unter https://doi.org/10.1063/5.0222154 abgerufen werden.