|
|||||
|
|
| 机器学习辅助高通量筛选金属有机骨架材料 | |
| 引用本文： | 李炜,梁添贵,林元创,吴伟雄,李松.机器学习辅助高通量筛选金属有机骨架材料[J].化学进展,2022,34(12):2619-2637. |
| 作者姓名： | 李炜 梁添贵 林元创 吴伟雄 李松 |
| 作者单位： | 1 暨南大学能源电力研究中心 珠海 519070 2 华中科技大学能源与动力工程学院 武汉 430074 |
| 基金项目： | 中央高校基本科研业务经费(21621039); 广州市基础与应用基础研究基金项目(202201010433); 中国博士后面上项目(2021M701413) |
| 摘 要： | 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。 |
| 关 键 词： | 金属有机骨架 机器学习 高通量筛选 分子模拟 吸附 |
| 收稿时间： | 2022-05-16 |
| 修稿时间： | 2022-07-08 |
Machine Learning Accelerated High-Throughput Computational Screening of Metal-Organic Frameworks |
|
| Wei Li,Tiangui Liang,Yuanchuang Lin,Weixiong Wu,Song Li.Machine Learning Accelerated High-Throughput Computational Screening of Metal-Organic Frameworks[J].Progress in Chemistry,2022,34(12):2619-2637. | |
| Authors: | Wei Li Tiangui Liang Yuanchuang Lin Weixiong Wu Song Li |
| Institution: | 1 Energy and Electricity Research Center, Jinan University,Zhuhai 519070, China 2 School of Energy and Power Engineering, Huazhong University of Science and Technology,Wuhan 430074, China |
| Abstract: | |
| Keywords: | metal-organic frameworks machine learning high-throughput computational screening molecular simulation adsorption |
| 点击此处可从《化学进展》浏览原始摘要信息 | |
| 点击此处可从《化学进展》下载免费的PDF全文 | |