Металлорганические каркасы (MOF) - это класс материалов, содержащих поры наноразмерного размера. Эти поры обеспечивают MOF рекордную площадь внутренней поверхности, что делает их чрезвычайно универсальными для целого ряда применений: разделение продуктов нефтехимии и газов, имитация ДНК, получение водорода и удаление тяжелых металлов, анионов фтора и даже золота из воды - вот лишь несколько примеров.

MOF находятся в центре внимания исследований профессора Беренда Смита в Школе фундаментальных наук EPFL, где его группа использует машинное обучение для достижения прорывов в обнаружении, проектировании и даже категоризации постоянно растущих MOF, которые в настоящее время наводняют химические базы данных.

В новом исследовании Смит и его коллеги разработали модель машинного обучения, которая предсказывает теплоемкость MOF. "Речь идет об очень классической термодинамике", - говорит Смит. "Сколько энергии необходимо, чтобы нагреть материал на один градус? До сих пор все инженерные расчеты предполагали, что все MOF имеют одинаковую теплоемкость по той простой причине, что практически нет доступных данных." Сейед Мохамад Мусави, постдок в Smit's group, добавляет: "Если нет данных, как можно создать модель машинного обучения? Это выглядит невозможным!"

Ответ заключается в самом инновационном аспекте работы: модели машинного обучения, которая предсказывает, как локальная химическая среда изменяет колебания каждого атома в молекуле MOF. "Эти вибрации могут быть связаны с теплоемкостью", - говорит Смит. "Раньше очень дорогостоящий квантовый расчет давал нам единую теплоемкость для одного материала, но теперь мы получаем до 200 точек данных об этих колебаниях. Итак, выполнив 200 дорогостоящих вычислений, мы получили 40 000 точек данных для обучения модели тому, как эти вибрации зависят от их химической среды".

Затем исследователи протестировали свою модель на экспериментальных данных в качестве проверки в реальной жизни. "Результаты были на удивление плохими, - говорит Смит, - пока мы не поняли, что эти эксперименты проводились с MOF, в порах которых был растворитель. Итак, мы повторно синтезировали некоторые MOF и тщательно удалили синтезирующий растворитель - измерили их теплоемкость - и результаты очень хорошо согласуются с предсказаниями нашей модели!"

"Наше исследование демонстрирует, как искусственный интеллект (ИИ) может ускорить решение многомасштабных проблем", - говорит Мусави. Искусственный интеллект дает нам возможность по-новому взглянуть на наши проблемы и даже иногда решать их".

Чтобы продемонстрировать реальное воздействие этой работы, инженеры из Университета Хериот-Уотт смоделировали работу MOFs на установке улавливания углерода. "При моделировании процессов мы использовали квантово-молекулярное моделирование, машинное обучение и химическую инженерию", - говорит Смит. "Результаты показали, что при правильных значениях теплоемкости MOF общие затраты энергии на процесс улавливания углерода могут быть намного ниже, чем мы первоначально предполагали. Наша работа - это поистине многомасштабные усилия, оказывающие огромное влияние на технико-экономическую жизнеспособность рассматриваемых в настоящее время решений по борьбе с изменением климата".