机器学习辅助高通量筛选金属有机骨架材料

金属有机骨架(Metal-organic Frameworks, MOFs)材料具有高比表面积、大孔容和可调控合成等优点,在气体储存、吸附分离、催化等领域受到了广泛关注,近年来其数量呈爆炸式增长的趋势。而高通量计算筛选(High-throughput Computational Screening, HTCS)是从大量材料中发现高性能目标材料与挖掘构效关系最有效的研究方法。在高通量计算筛选过程中产生的数据具有量大、维度多等特点,尤其适合采用机器学习(Machine Learning, ML)进行训练,从而进一步提升筛选效率、深入挖掘多维数据间的构效关系。本综述概述了机器学习辅助高通量筛选金属有机骨架材料的一般流程与常用方法,包括常用描述符、算法与评价标准等,对其在气体储存、分离及催化等领域的研究进展进行了总结,以此明确当前研究中面临的挑战与后续发展方向,助力MOFs材料设计研发。