引言
有效吸附CO2是碳捕集与利用的关键优先事项。金属-有机框架(MOFs)是一类由无机簇和有机构筑单元组成的多孔材料家族,在CO2等气体的吸附方面具有极其广阔的前景[1], [2], [3]。比表面积(SSA)和CO2吸附容量是评价MOFs的CO2吸附性能的关键指标[4], [5]。因此,准确而快速地测定这些重要性质对于理想MOF的设计与筛选具有重要意义。
目前,MOFs的SSA和CO2吸附容量通常通过实验测定[6], [7], [8], [9]。经典的实验方法无疑为MOF材料研究做出了重大贡献。然而,它们既耗时又耗材料,因此仅依靠实验方法来实现大规模的理想MOF设计与筛选是行不通的[10], [11], [12]。鉴于对新MOF进行大规模筛选的巨大需求,迫切需要一种新颖高效的方法来预测MOFs的CO2吸附性能。
理论计算的发展,例如巨正则蒙特卡洛(GCMC)模拟,使研究人员得以估计MOFs的吸附性质[13], [14], [15]。已经开发了多种GCMC模拟程序,包括Zeo++[16]和RASPA[17]。这些程序在预测MOFs性质中发挥着重要作用[18], [19], [20]。然而,由于MOFs结构复杂,对其性质进行高通量GCMC模拟通常需要大量的资源和时间。此外,在GCMC模拟过程中,必须根据模拟需求调整力场、势能、相互作用等强制参数[21],这无疑增加了工作负担。因此,需要一种更便捷的替代方法,以在降低资源和时间消耗的同时高效筛选理想MOF。
近年来,随着人工智能(AI)的发展[22], [23], [24],机器学习模型已被用于预测MOFs的性质[25], [26], [27]。大多数研究者倾向于使用随机森林(RF)等传统机器学习模型,并基于MOFs的几何信息或模拟结果构建数据库[28], [29]。然而,传统机器学习模型高度依赖人工设计的特征或描述符,这需要材料化学领域的大量专业知识。此类描述符的选取与构建并非易事,因为不恰当的特征选择会显著损害模型性能。这种高度依赖专业知识的流程构成了机器学习在MOF筛选中更广泛采用的根本障碍。
近年来,许多研究指出,复杂的晶体结构中包含大量有价值且具有区分性的信息[30], [31], [32], [33]。目前利用此类信息的最新模型是晶体图卷积神经网络(CGCNN)算法[34]。研究者利用由MOFs晶体结构导出的特征训练CGCNN,以预测MOFs的性质[35], [36], [37]。在其数据库构建方面,MOFs的晶体结构被转换为MOFs拓扑图,即包含边与节点信息的无向多重图[38]。其中,边和节点分别来源于MOFs晶体结构中的键合相互作用和原子信息[34]。总体而言,此类MOF拓扑图是一种描述MOF内部系统连接关系的抽象工具,其核心价值在于从复杂晶体系统中提取关键信息。随后这些拓扑图被输入CGCNN,经过其内部的卷积层、隐藏层和池化层处理,得到输出[34]。CGCNN利用MOFs晶体结构导出的信息构建MOFs拓扑图数据库的方式,使研究者摆脱了繁琐的特征选择与复杂的计算。
然而,为了丰富MOF拓扑中特定节点的特征信息,通常需要提前人工定义特征类型与编码方式。例如,Gao等人[39]使用CGCNN预测半导体材料的有效质量时,指定了92项原子特征信息,包括第一电离能、电负性和原子共价半径等。这些信息随后被编码并转换为行向量。此类信息的获取通常需要研究者具备专门的化学知识。此外,抽象的MOFs拓扑图难以直观反映孔径分布与孔道连通性特征,而这些特征对于研究MOFs的气体吸附往往至关重要[40], [41]。因此,迫切需要一种更简单、更直观的方法来预测MOFs的气体吸附性质。
另一种思路是,我们认为由MOFs晶体结构导出的多视角结构图像相比MOFs拓扑图更具三维性和直观性,且包含更丰富的有用信息。相较于拓扑图,结构图像在获取上更为容易,在空间几何和视觉可访问性方面也更容易被研究者理解。因此,直接构建包含直观MOFs结构图像的数据库用于训练深度学习(DL)模型是可行的,因为深度学习在复杂图像处理方面相比传统机器学习具有明显优势[42], [43], [44], [45]。据我们所知,直接利用MOFs结构图像训练深度学习模型以预测其CO2吸附容量的研究很少见。因此,本工作的一项任务是开发一种名为MOFNet的新型深度学习算法,基于MOF结构图像输入,高效估计不同条件下MOFs对CO2的吸附容量。
图1总结了传统机器学习、CGCNN与我们提出的MOFNet的不同输入流程。可以看出,与其他方式相比,直接使用多视角结构图像作为我们MOFNet模型的输入更为简单、直观且信息丰富。因此,基于MOFs结构图像构建的深度学习模型有望成为预测MOFs气体吸附性能的有力候选。
此外,混合特征融合输入(本文中简称为混合输入)在其他领域已有诸多应用,可有效提升模型性能[46], [47], [48]。然而,它尚未被用于预测MOF气体吸附的深度学习模型。将结构图像及其导出的统计特征作为混合输入以增强DL模型预测MOF吸附性能的思路值得探索。这些统计特征可以通过灰度直方图(GLH)和灰度共生矩阵(GLCM)从结构图像中便捷地计算得出[49], [50], [51],其中包含大量有价值的信息,可能是混合输入的理想附加特征。本工作的另一项任务是通过混合输入进一步提升MOFNet的性能。
在本研究中,我们基于MOFs结构图像构建了数据集,用于训练新型MOFNet以预测其SSA和CO2吸附容量。所提出的MOFNet集成了改进的CNN模块和两种不同的注意力机制,能够处理单一输入(图像)和混合输入(图像及其导出的统计特征)。随后,我们在同一数据集上训练了9个基线模型,并将其预测性能与复杂度与MOFNet进行对比。还使用混合输入研究了其对MOFNet模型性能的影响。我们讨论了MOFNet在预测H2吸附容量方面的性能,以验证模型的泛化能力。此外,我们将所提出的MOFNet扩展到预测MOFs对CO2/N2二元混合物的吸附性能。最后,通过实验验证了模型在预测MOFs的SSA和CO2吸附容量方面的准确性。本研究提出了一种更直接高效的方法,利用MOFs结构图像估计其气体吸附性能,从而推动深度学习算法在MOF性质预测领域的应用拓展。