基于机器学习的预测与高性能金属有机框架的设计：用于二氧化碳捕获

《ChemistrySelect》：Machine Learning-Driven Prediction and Design of High-Performance Metal-Organic Frameworks for CO2 Capture

金属有机框架（MOFs）因高比表面积和可设计性成为CO2捕获研究热点。本文提出基于机器学习与遗传算法的自动化纳米多孔材料发现方法，利用CatBoost算法指导遗传算法迭代优化MOFs结构，通过GCMC模拟验证CO2吸附性能。该方法为高效选择性CO2吸附MOFs设计提供理论支持。

　　

摘要

金属有机框架（MOFs）因具有较高的布鲁纳-埃梅特-特勒（BET）比表面积、较大的孔隙体积、可修饰性以及良好的设计灵活性，而被广泛用于二氧化碳（CO₂）的捕获。金属簇和有机配体的多样性为设计具有优异CO₂吸附性能的新型MOFs带来了机遇与挑战。本文提出了一种基于机器学习和遗传算法的自动化纳米多孔材料发现方法，用于MOFs的生成设计，旨在实现高效捕获CO₂的目标。该方法为设计能够选择性吸附CO₂的MOFs提供了理论支持。

图形摘要

开发了一种利用机器学习和遗传算法（GAs）的自动化纳米多孔材料发现方法，用于生成高CO₂捕获能力的MOFs。在CatBoost的指导下，遗传算法通过迭代优化筛选出具有优异CO₂吸附性能的MOF候选材料，并通过GCMC模拟验证了其性能。

利益冲突

作者声明不存在利益冲突。