机器学习力场加速金属有机框架材料二氧化碳直接空气捕获筛选

为解决金属有机框架(MOFs)在CO2 直接空气捕获(DAC)中模拟速度慢、精度低的问题，研究人员开发了基于机器学习力场(MLFF)的吸附模拟框架。该技术通过GoldDAC数据集和持续学习策略，实现了对8,000余种MOFs的高通量筛选，发现100余种传统方法遗漏的高效材料，并集成至DAC-SIM分子模拟包。这项突破为碳中和目标提供了可扩展的精准筛选工具。

　　

这项突破性研究像给材料筛选装上了"智能加速器"——科学家们巧妙地将机器学习力场(MLFF)应用于金属有机框架(MOFs)的二氧化碳(CO₂
)直接空气捕获(DAC)研究。面对传统模拟方法既耗时又难以准确描述MOF-CO₂
/H₂
O相互作用的困境，研究团队祭出"组合拳"：先通过精心构建的GoldDAC数据集训练模型，再引入持续学习策略防止"学新忘旧"，最终打造出兼具速度和精度的DAC-SIM分子模拟平台。

这个"材料猎手"系统在8,000多种MOFs中展开地毯式搜索，不仅重现了已知高性能材料，更令人惊喜的是揪出了100多个被传统方法"漏网"的潜力股。就像为多孔材料装上了"分子显微镜"，MLFF能精准捕捉CO₂
和水分子的吸附竞争细节，连Widom插入法这样的专业技巧也被集成到Python工具包中，让研究者能像使用"智能筛子"般轻松筛选材料。

这项技术突破犹如为碳中和目标铺设了"快车道"，那些具有特定孔径和化学特征的MOFs材料被快速锁定，为开发节能高效的碳捕集技术提供了全新可能。更妙的是，这个框架还能拓展到其他气体分离领域，堪称材料科学界的"瑞士军刀"。