《Chinese Journal of Chemical Engineering》:An FT-Transformer with Pore Structure and Chemical Environment Priors for High Performance Prediction of MOFs Structure–Property Relationship
编辑推荐:
•一个由MOFs孔道结构和化学环境先验知识引导的机器学习模型。•基于先验知识驱动的吸附和传输性能预测增强。•在小样本场景下表现出强大的模型鲁棒性和泛化能力。•一种高效且功能强大的功能性MOFs筛选和设计工具。引言超高的比表面积以及可调的结构和孔道特性使MOFs在储氢[1],
- •
一个由MOFs孔道结构和化学环境先验知识引导的机器学习模型。
- •
基于先验知识驱动的吸附和传输性能预测增强。
- •
在小样本场景下表现出强大的模型鲁棒性和泛化能力。
- •
一种高效且功能强大的功能性MOFs筛选和设计工具。
引言
超高的比表面积以及可调的结构和孔道特性使MOFs在储氢[1], [2]、气体分离[3], [4]、催化[5], [6]、诊断[7]等领域具有巨大的应用潜力。理论和计算化学的进步为高性能材料的定制设计开辟了新的途径。目前,定量预测MOFs性能主要有三种方法:唯象方程、基于第一性原理的计算,以及基于机器学习的结构-性能关系预测。Zhang 等人[8]基于少量实验数据进行唯象拟合,推导出了预测氢气吸附容量的经验方程,并设计了具有高储氢容量的Zr-MOF NPF-200。在理论计算方面,Hou 等人[9]应用分子动力学模拟预测了MOF-688(Mn)和MOF-688(Al)的离子电导率,并通过与实验数据对比验证了其准确性。Qiao 等人[10]提出了巨正则蒙特卡洛(GCMC)模拟来确定17,257种MOFs的甲烷渗透率,通过推导渗透率与孔道极限直径(PLD)相关的经验公式,计算了气体选择性,并识别出五类可高效将CO和N2从甲烷中分离的MOFs。从前述工作可以得出结论,唯象方程计算效率高,但在预测精度和泛化能力方面受到限制。理论计算则计算量巨大,且由于每种特定案例都需要参数集,在跨体系适用性方面也存在局限。近年来,机器学习方法的发展在预测精度和效率之间取得了平衡[11], [12], [13]。例如,晶体图卷积神经网络(CGCNN)[12]通过将晶体映射为图来表征结构,通过多边表示周期性,并在节点中编码邻近原子的信息。在上述基于图的表示方法基础上,MOFTransformer[13]整合了从能量网格中提取的全局描述符,以捕捉长程结构特征。无论是基于GNN还是Transformer的架构,都能使模型从复杂输入中提取关键特征,从而对N2吸附量和电子能隙等性质进行更准确的预测[13], [14]。然而,MOFs的复杂性使得模型训练成为一项具有挑战性的任务,一方面高度依赖大规模高质量数据集,另一方面需要深入提取MOFs结构和性能的特征。
本研究提出了一种新颖的特征提取方法,通过引入MOFs孔道结构和化学环境的先验描述符来实现。这些特征与支撑MOFs性能的吸附和传输过程密切相关。我们开发了一种整合结构特征分组和多源数据融合的FT-Transformer架构,以捕捉这些性质,从而提升模型性能。该特征提取方法和FT-Transformer工作流程在两个不同的任务中得到了验证,即N2吸附量和质子电导率预测。
章节摘要
材料与方法
MOFs的性能涵盖电导率、吸附容量和气体分离等性质,这些性能受客体分子在框架内发生的吸附和传输过程所控制[15]。准确模拟这些过程需要对孔道几何结构和化学环境进行全面表征,以捕捉复杂的主体-客体相互作用。本研究中,我们提出了一套多维度描述符体系:拓扑信息用于定义孔道几何结构[16]
超参数搜索
为统一ESM特征,我们对展平后的向量进行了主成分分析(PCA),以产生统一的描述符,同时有效保留关键信息。主成分数量(PCs)作为一个关键的可调超参数,显著影响预测精度和计算速度。鉴于最佳维度因任务而异,我们通过分析碎石图并结合模型性能评估来确定主成分数量(图3)。
对于N2吸附容量任务
结论
MOFs在不同应用中的性能源于其框架内发生的吸附和传输过程。这些过程的结果本质上受MOFs材料结构性质的控制,尤其是其孔道几何结构和化学环境。本研究提出了一种多层级特征提取方法,整合了来自PH的拓扑描述符、分类的元素信息和从ESM中提取的全局电子结构。这些
作者贡献声明
Zhengye Lu:调查、数据整理。 Jiaming Zhang:写作——审阅与编辑、方法论。 Zhiguo Gan:写作——审阅与编辑、方法论、概念构思。 Xurui Li:写作——审阅与编辑、方法论。 Zheng Liu:写作——审阅与编辑、监督指导。 Diannan Lu:写作——审阅与编辑、监督指导、资金获取、概念构思。 Weichen Wang:写作——初稿撰写、方法论、调查、数据整理、概念构思
利益声明
作者声明不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
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竞争性经济利益或个人关系。
致谢
本研究得到了上海化工研究院有限公司(20262000611)的支持。
Weichen Wang|Zhiguo Gan|Xurui Li|Zhengye Lu|Jiaming Zhang|Zheng Liu|Diannan Lu