基于结构图像的混合表征学习实现了对用于二氧化碳吸附的金属有机框架的准确预测与筛选

《Computational Materials Science》:Hybrid representation learning from structural images enables accurate prediction and screening of MOFs for CO 2 adsorption

【字体: 大 中 小 】 时间:2026年08月28日 来源:Computational Materials Science 3.7

编辑推荐:

   •提出一种名为MOFNet的网络,用于基于图像预测MOF的吸附性质。•引入多视角结构图像,以捕获孔道与空间信息。•设计双注意力SeraBlock,以实现高效的局部—全局特征提取。•融合结构图像与统计特征,以提升预测精度。•在双金属MOF上的实验验证了其对CO2吸附的快速筛选能

  
  • •
    提出一种名为MOFNet的网络,用于基于图像预测MOF的吸附性质。
  • •
    引入多视角结构图像,以捕获孔道与空间信息。
  • •
    设计双注意力SeraBlock,以实现高效的局部—全局特征提取。
  • •
    融合结构图像与统计特征,以提升预测精度。
  • •
    在双金属MOF上的实验验证了其对CO2吸附的快速筛选能力。

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。

章节片段

结构图像数据库的构建

图2展示了使用所提出的MOFNet模型预测MOFs气体吸附性能的工作流程。首先,我们选取了Majumdar等人[52]提出的数据库,其中包含超过23,000个具有模拟气体吸附容量的MOFs结构。目前尚无基于Majumdar数据库使用深度学习预测MOFs性质的报道。然后,我们采用Jmol可视化程序[53]将MOFs晶体结构导出为相应形式

MOFNet在数据集A上的性能

我们首先讨论MOFNet模型在数据集A上的性能。图5a显示了测试集中SSA和CO2吸附容量的分布。这两个变量的均值分别为1698.861 m2/cm3和2.057 mmol/g。表1汇总了所提出MOFNet的预测指标。在单一输入的情况下,对于SSA的估计,R2、MAE和RMSE分别为0.960、46.116 m2/cm3和80.722 m2/cm3。这表明MOFNet在预测方面取得了相对理想的结果

结论

本研究提出了一种新型轻量级MOFNet模型,用于对MOFs的CO2吸附进行准确预测和筛选。该模型接受结构图像作为输入,成功预测MOFs的SSA和CO2吸附容量,R2值分别为0.960和0.928。这充分证明了基于结构图像预测MOFs气体吸附性能的可行性。所提出的MOFNet模型在

CRediT作者贡献声明

张可飞:写作—审阅与编辑,软件,方法学,调查。王腾:写作—原稿撰写,方法学,数据整理。曹华:资源,调查,正式分析。杨磊:资金获取,正式分析,数据整理。于合生:写作—审阅与编辑,监督,方法学,资金获取。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知的竞争性经济利益或个人关系。

致谢

本研究由新疆重点研发计划—区域合作项目(编号:2025B04003)、昌吉州高质量发展产业科技支撑计划(2025Z02)以及智力援疆—新疆创新与拓展人才计划"小分队"援疆团队项目(矿业固体废弃物高值化利用团队)提供资金支持。我们同样感谢中国博士后科学基金会博士后基金项目的资助。
张可飞|王腾|曹华|杨磊|于合生
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号