一种基于变压器的金属有机结构中精确气体吸附预测的综合方法

实验值还可用于校正吸附等温线。 图 3b 显示了通过拟合预测和实验吸附数据获得的 Langmuir 吸附等温线。 通过拟合实验和预测的吸附值获得朗缪尔等温线。 我们可以使用模拟数据来克服数据稀缺的问题，但我们也可以将实验值引入吸附方程中。 这使我们能够对高压下的吸附进行定量预测，其中气体-气体相互作用变得更加重要。 结果表明，Uni-MOF不仅可以筛选同一气体在不同材料上的吸附性能，而且可以准确筛选不同气体在同一材料上的吸附性能。 结果表明，Uni-MOF不仅具有筛选某种气体在不同材料中的吸附性能的能力，而且能够准确筛选不同气体在同一材料中的吸附性能（图3e、f）。

在不久的将来，人工智能和材料科学之间的交叉将需要解决实际问题和科学问题。 实验数据的缺乏，以及所涉及的合成技术和表征条件的广泛性，使得基于人工智能的机器学习技术的实施变得困难。 将操作条件纳入 UniMOF 框架使我们能够在材料科学方面取得重大进展。 这确保了数据的充分性，并使筛选函数与实验结果保持一致。

为了证明 Uni-MOF 在跨系统属性方面的预测能力，在数据库 hMOF_MOFX_DB 和 CoRE_MOFX_DB 中从六个系统中的每一个中随机选择了五种材料（二氧化碳、甲烷、氪、氙、氮和氩）。 这些数据库已在压力和温度方面进行了彻底的采样。 图显示了不同压力下预测气体吸附与模拟气体吸附之间的比较。 4a-f。 通过拟合 UniMOF 预测和模拟值的吸附等温线，可以人为地减少视觉误差。 吸附等温线仅通过模拟值获得，以避免数据偏差。 Uni-MOF 在 hMOF_MOFX_DB 和 CoRE_MOFX_DB 中的吸附吸收预测值非常接近模拟值。 图所示的预测的高精度证实了这一发现。 2a、b.

来源和详细信息：
https://www.nature.com/articles/s41467-024-46276-x