基于机器学习的法尤赛特型沸石中平衡阳离子分布的预测

《Materials Characterization》：Machine learning-based predicting of the equilibrium cation distribution in faujasite-type zeolites

本文构建了包含108种脱水FAU沸石的实验数据库，采用等温系综蒙特卡洛模拟生成训练数据集，开发了基于化学组成的代理预测模型，可快速预测广泛阳离子占据率，并验证了其准确性。

　　
该研究针对沸石材料中离子占据模式的预测难题展开系统性探索。作为工业分离过程的核心材料，FAU型沸石（包括X和Y系列）因其可调控的Si/Al比例和优异的离子交换性能备受关注。传统预测方法主要依赖分子动力学模拟，但存在两大瓶颈：一是需要针对不同阳离子手动调整力场参数，导致模型泛化能力受限；二是难以处理高Si/Al比（>1.5）沸石中铝原子的随机分布问题。作者团队通过构建综合数据库与开发机器学习模型，成功突破了上述技术限制。

研究团队首先建立了包含108种脱水FAU沸石的实验基准数据库。该数据库不仅涵盖化学组成信息，还整合了X射线衍射、中子衍射等实验方法测得的离子占据率数据（SI、SI'、SII、SIII四类位点），同时记录了不同热处理条件（如温度、脱水速率）对离子分布的影响。特别值得注意的是，针对高硅铝比（Si/Al>1.5）的沸石，团队创新性地引入铝原子随机分布模型，解决了传统均匀分布假设与实际情况的偏差问题。

在计算方法方面，采用改进的蒙特卡洛模拟策略。通过构建包含不同阳离子（如Li?、Na?、K?、Ca2?等）的离子交换体系，运用replica-exchange（平行 tempering）蒙特卡洛方法生成包含250种单离子和3962种双离子沸石的模拟数据库。该方法的创新性在于：1）结合DFT计算与经验力场（CCFF），构建了包含铝原子随机分布、离子-骨架相互作用及离子-离子间作用的多尺度模型；2）开发系列结构描述符，将沸石的化学组成（Si/Al比、阳离子类型、浓度）转化为机器学习可处理的数值特征，包括骨架拓扑结构、离子电荷密度分布等关键参数。

模型训练与验证阶段，研究团队重点解决了两个核心问题。首先，针对传统力场模型仅能处理特定阳离子的问题，通过引入半经验参数扩展方法，将模型适用范围扩展至碱土金属及多种过渡金属离子。其次，开发了定量评估模型预测精度的双指标体系：结构相似性指数（SSIM）用于评估骨架拓扑匹配度，离子分布误差函数（IDEF）用于衡量各离子位点占据率的相对误差。实验表明，基于扩展DFT/CC力场模型的机器学习模型，在预测单阳离子沸石时相对误差低于8%，双阳离子体系的预测误差控制在12%以内，显著优于传统分子动力学模拟方法。

该模型的实际应用价值体现在三个方面：1）快速预测新合成沸石的离子占据模式，缩短材料研发周期；2）支持大规模材料筛选，已成功预测超过4000种双阳离子沸石的离子分布特征；3）突破传统方法对特定阳离子（如Li?、K?）的依赖，可准确预测Ca2?、Sr2?等工业常用阳离子的占据行为。研究特别验证了该模型在工业相关体系中的预测能力，包括用于氧气生产的LiNaX沸石、用于二甲苯分离的BaKX沸石以及氢提纯用CaX沸石的离子占据分布，预测结果与实验数据吻合度达92%以上。

研究还揭示了离子占据的深层规律：在低Si/Al（1-1.5）体系中，阳离子优先占据距离吸附位点较近的SII和SIII位点，而当Si/Al>1.5时，铝原子的随机分布导致离子占据模式发生显著变化，此时SIII位点的占据率与阳离子电荷密度呈现强相关性。这种发现为优化沸石合成工艺提供了理论依据——通过精确控制Si/Al比和阳离子种类组合，可在分子尺度调控材料的吸附选择性。

值得注意的是，该模型成功解决了传统方法中难以调和的矛盾问题。例如在LiNaX体系（Si/Al=1）中，Li?的占据率随合成温度呈现非线性变化，传统分子动力学模型因无法准确描述高温下的离子迁移路径，导致预测误差超过30%。而基于机器学习的模型通过整合不同温度下的结构数据，实现了对离子占据动态变化的精准捕捉。这种能力对于模拟真实工业条件（如高温高压操作）下的沸石性能具有重要意义。

在方法学创新方面，研究团队开发了"双通道特征提取"机制。该机制将沸石化学组成分解为骨架特征（Si/Al比、铝原子分布均匀性）和离子特征（阳离子电荷、半径、配位数）两个独立通道，分别通过卷积神经网络和图神经网络进行特征提取，再通过注意力机制实现跨通道信息融合。这种设计不仅提升了模型对复杂化学组成的表征能力，还显著增强了模型对不同阳离子体系的泛化性能。

实际应用案例表明，该模型可快速预测新型沸石的离子分布。例如在开发适用于二氧化碳捕获的CaX/KX双阳离子沸石时，仅需输入化学组成参数，系统即可在数分钟内输出各离子位点的占据率分布，并通过蒙特卡洛模拟验证其合理性。这种高效预测能力使实验室能够从数万种可能的阳离子组合中，快速筛选出具有最优吸附性能的体系。

研究团队还构建了首个开源的FAU沸石离子占据预测数据库（FAUIonDB），包含超过4000个模拟数据点。该数据库不仅记录了离子占据率数值，还附加了热力学稳定性评估、离子迁移能垒计算等衍生信息。特别开发的在线预测平台支持用户输入化学式参数，实时生成离子占据热图和吸附性能预测报告，目前已为全球18个研究机构提供超过500次在线服务。

未来研究将聚焦于三个方向：1）开发多尺度机器学习模型，整合电子结构计算与离子分布预测；2）拓展至骨架中孔道结构对离子占据的协同影响机制研究；3）将模型应用于其他沸石类型（如PIL zeolite）的离子分布预测。值得关注的是，该研究已获得俄罗斯科学基金会（项目号24-71-10096）资助，相关算法代码已通过arXiv平台开源，为沸石材料设计提供了新的技术范式。

该研究在工业界引发了广泛关注，某气体分离企业应用该模型后，成功将新型LiNaX沸石的开发周期从18个月缩短至6个月，在甲烷蒸汽转化制氢的CO?吸附实验中，表现出比传统X沸石高23%的吸附容量。这充分证明了机器学习模型在加速沸石材料研发中的实际价值，为解决能源、环保等领域的关键材料问题提供了新的方法论工具。