机器学习揭示金属有机框架大气水收集性能的化学主导机制

《Molecular Systems Design & Engineering》：Machine learning highlights chemistry as the key factor in metal–organic frameworks for atmospheric water harvesting

本研究针对干旱缺水地区淡水供应难题，通过结合高通量大正则系综蒙特卡罗模拟与可解释机器学习方法，深入解析了2600种结构多样的金属有机框架材料在大气水收集过程中的构效关系。研究发现吸附能、局部静电作用及框架密度是决定水吸附性能的关键化学因素，并构建了基于SHAP分析特征的二阶多项式回归模型，为高效水吸附材料的理性设计提供了数据驱动的理论框架。

　　

利用金属有机框架进行大气水收集为解决干旱和离网地区的淡水短缺问题提供了有前景的技术路径。然而，调控金属有机框架性能的结构与化学因素尚未被充分理解。本研究通过将高通量大正则系综蒙特卡罗模拟与可解释机器学习相结合，系统探究了驱动金属有机框架水吸附性能的构效关系。从ARC-MOF数据库中筛选出2600种具有化学和结构多样性的框架体系，分别计算了在100%和30%相对湿度条件下的水吸附容量。在多种回归模型中，轻量梯度提升机表现出最高的预测精度。基于SHAP可解释性分析和相关性分析，发现吸附能、局部静电特性、金属电负性以及框架密度是主导因素，而几何结构则起到次要调节作用。为进一步建立可用于快速筛选和假设生成的显式解析模型，研究团队基于SHAP排名靠前的特征构建了二阶多项式回归模型。这些研究成果深化了对金属有机框架中水吸附机制的基础认知，并为高性能大气水收集材料的理性设计建立了可扩展的数据驱动研究范式。