编辑推荐：
为加速材料发现，解决高质量材料数据集获取难题，研究人员开展了关于金属 - 有机框架（MOF）数据库构建的研究。构建出更新的 CoRE MOF DB，其中包含 40,000 个实验 MOF 及相关属性。这为材料 - 工艺筛选提供助力，推动材料研究发展。
高质量材料数据集的可获取性是加速材料发现的基础。金属 - 有机框架（Metal-organic Frameworks，MOFs）是一类结晶固体，文献中实验报道的 MOFs 数量持续增长。研究人员开发了一种计算流程，用于整理实验报道的 MOF 数据库（CoRE MOF DB），该数据库包含截至 2024 年初报道的 40,000 多个 MOFs。更新后的 CoRE MOF DB 包括预先计算的材料属性，这些属性对高通量材料 - 工艺筛选很有用。研究人员通过对碳捕获应用进行综合材料 - 工艺筛选，展示了该数据库的实用性。
更新后的 CoRE MOF DB 包括 2024 年初报道的 40,000 个实验 MOFs。数据库中的 MOFs 被赋予了几何和机器学习预测的属性。利用温度摆动吸附（TSA）模拟评估 MOFs 在碳捕获场景中的性能。
研究人员展示了更新版本的计算就绪实验（Computation-Ready, Experimental，CoRE）金属 - 有机框架（MOF）数据库，其中包含一组经过整理、适用于高通量计算材料发现的 MOF 晶体结构。与先前版本相比，数据收集和整理程序得到改进，以便未来更频繁地更新。数据集包含机器学习预测的属性，如稳定性指标和热容，以简化筛选工作。开发了更新版本的 MOFid，用于提供有关 MOF 结构的金属节点、有机连接体和拓扑结构的详细信息。基于机器学习模型为 MOFs 分配了 DDEC6 部分原子电荷。利用吉布斯系综蒙特卡罗模拟对 MOFs 的疏水性进行分类。最终的数据集随后用于通过高保真温度摆动吸附（TSA）模拟，对各种碳捕获条件进行综合材料 - 工艺筛选。研究工作流程确定了多种 MOF 候选材料，预计在这些应用中性能优于 CALF - 20。
