综述：金属有机框架：人工智能和机器学习算法在高效发现、设计、合成及预测二氧化碳捕获能力方面的作用——一篇前沿综述

《Separation and Purification Technology》：Metal-organic frameworks: Role of artificial intelligence and machine learning algorithms for efficient discovery, design, synthesis and prediction of CO 2 capture capacity - A state of art review

MOFs作为高效CO2吸附材料，其稳定性（水、热力学、动力学、化学）及AI-ML在加速设计、预测中的应用与挑战被系统综述。通过320,000+数据库的高通量筛选，Al-PMOF合成效率提升20倍，LSSVM-GO模型预测R2达0.9797。

　　

Aayzaz Ahmed | Mirza Aamish Hassan Khan | George Uwadiegwu Alaneme | Tariq Ali | Muhammad Zeeshan Qureshi | Ayed Eid Alluqmani | Ali Ajwad

马来西亚马来亚大学建筑环境学院建筑测量系，50603 吉隆坡，马来西亚

摘要

金属有机框架（MOFs）由于其高表面积和多样的化学功能，已成为捕获二氧化碳（CO₂）的有希望的材料。然而，它们的实际应用常常受到稳定性的限制，特别是在富含水分的环境中以及温度和化学条件变化的情况下。本文对MOFs进行了最新综述，重点关注了它们的水稳定性、热力学稳定性、动力学稳定性和化学稳定性及其功能。此外，还讨论了MOFs稳定性类型的比较分析以及提高稳定性的关键设计规则。此外，本文还探讨了人工智能（AI）和机器学习（ML）在MOFs研究中的革命性作用，包括优化其形成（发现、筛选、识别、设计、合成）和预测CO₂捕获能力。同时，本文也指出了目前存在的问题和局限性，如数据集的缺乏、特征的可解释性、模型的可迁移性、可扩展性和实际应用性。研究发现，高通量筛选和AI-ML驱动的设计优化使得铝卟啉-MOF（Al-PMOF）的产率超过了80%，且仅需50分钟，比传统方法快20倍（传统方法需要16小时），这是通过对320,000种MOFs数据库进行分析得出的结果。此外，基于AI-ML的线性支持向量机-遗传优化（LSSVM-GO）混合模型在预测MOFs的CO₂吸附能力方面的准确率达到了R平方值为0.9797。总之，AI-ML驱动的方法在MOFs的设计、发现、合成和CO₂吸附能力预测方面显著优于传统方法。展望未来，将AI-ML模型与机器人/增材制造技术结合，可以降低成本、节省时间，并加速创新MOFs的创造。

引言

由于过量排放温室气体（如CO₂），全球变暖仍然是一个严重的问题。2023年，全球每年的CO₂排放量约为373亿吨[1]。全球固定源占化石燃料总碳排放量的60%，相当于每年306亿吨CO₂ [2]，这加速了气候变化。这导致全球气温上升，进而引发极端天气和自然灾害[3,4]。为了到2050年实现碳中和目标，迫切需要CO₂抵消技术，如碳捕获和封存（CCS）[5,6]、低碳材料[7,8]、材料和能源高效技术[9,10]以及可再生能源[11,12]。

最近，CCS策略受到了广泛关注，特别是通过吸附机制从含有其他气体（如SO₂、CH₄、N₂）的气流中捕获和分离CO₂[13,14]。这些机制包括两种不同的结合形式：物理吸附（physisorption），表现为较弱的范德华力，分子附着速度快但选择性很低[15]（见图1a）；化学吸附（chemisorption），表现为强化学键合，分子附着速度慢但选择性高[16]（见图1b）。

用于CO₂吸收的尖端材料包括沸石[17,18]、活性炭材料[19,20]和MOFs[21,22]。MOFs作为一种有前景的CO₂吸附剂，因其高表面积、吸附能力和相对较低的回收能耗而受到关注[23,24]。此外，MOFs中的有机连接体和金属位点有助于选择性识别[25,26]、异相催化[27]、光催化[28]和电化学储能[29]。MOFs的发现、设计和合成方法也取得了显著进展，从化学方法[30]和原子级设计[31]发展到使用计算建模和模拟的复杂设计方法[32]。近年来，AI和ML的整合极大地加速了MOFs的发现和合成过程。分子动力学模拟与ML模型的结合也被证明是显著提高对MOFs工作能力、几何结构和特性理解的重要手段[33,34]。MOFs的最新进展见图2。

MOFs由金属离子与有机物质连接而成，形成多面体框架。由于表面积大且有机连接体众多，手动优化MOF结构通常很困难。因此，识别新的有机连接体和优化结构往往需要大量的计算模拟[35]。人工智能，包括ML、强化学习（RL）和深度学习（DL），通过减少优化、设计、发现和合成MOF结构以及预测其CO₂捕获能力所需的计算资源，为这一挑战提供了解决方案[[36], [37], [38], [39]]。

最近的研究[40,41]表明，AI是筛选潜在CO₂吸附剂的有效技术；此外，AI在创造具有增强CO₂捕获能力的新改性材料方面也发挥着关键作用。Dureckova等人[42]开发了一个XG-Boost模型，用于分析来自1166种网络拓扑结构和358,400种MOFs的数据。他们使用了定量结构-活性关系（QSAR）模型和“原子属性加权径向分布函数（AP-RDFs）”来识别描述符。他们的研究发现，R平方（R²）对于CO₂吸附能力为0.944，对于CO₂/H₂选择性为0.872，成功识别出了1000种性能优异的MOFs。

Orhan等人[43]引入了“有效点电荷（EPoCh）”描述符，用于衡量MOFs的部分电荷对CO₂吸附的影响。尽管“亨利系数”是最有效的描述符，但EPoCh描述符被认为是第二关键的，并且计算速度比亨利系数快数十万倍。随着潜在MOFs数量的迅速增加，这种计算时间的减少具有重要意义。

DL技术可以自动提取特征，消除了该领域对特定知识的需求。Yang等人[44]开发了一个DL模型来预测MOFs中的CO、H₂O和CO₂吸附效率，从而将蒙特卡洛模拟的速度提高了上百倍。Wang等人[45]开发了Uni-MOF模型来预测多种气体的吸附性能。该模型使用了超过631,000个3D-MOF数据集进行训练，能够在各种条件下提供结构洞察和气体吸附能力预测。这种基于变压器的方法利用未标记数据进行预训练，消除了与特征工程相关的偏差。

机器学习原子间势（MLIP）提供了物理和化学洞察，而传统的ML方法则不够透明。Zheng等人[46]开发了“量子信息机器学习力场（QMLFFs）”来预测MOFs中的CO₂化学吸附。这些QMLFFs的计算速度比第一性原理模拟快了1000多倍。基于QMLFF的分子动力学研究结果与实验输入数据完全一致，准确率达到了100%。

虽然MOFs是适合捕获CO₂的吸附剂，但它们对水、热降解、反应动力学、结构降解和有害化学物质的稳定性尚未得到充分理解。此外，过去的研究中尚未讨论提高MOFs热力学和动力学稳定性的方法。此外，先前的研究也忽视了AI和ML在MOFs的结构发现、设计、合成以及CO₂捕获能力预测中的作用。这篇综述提供了使用AI-ML技术预测CO₂捕获能力、设计、发现和合成MOFs的新见解和详细信息，填补了文献研究的空白。本文回顾了MOFs的水稳定性、热力学稳定性、动力学稳定性和化学稳定性，并讨论了提高这些稳定性的方法。此外，还探讨了AI在高通量筛选、高效数据驱动的MOF设计及合成以及预测MOFs的CO₂吸附能力中的应用。

MOFs的稳定性和多种功能

MOFs的稳定性对其实际应用至关重要，因为它决定了它们在各种条件（如温度、压力和化学环境）下保持结构完整性和功能性的能力。MOFs的稳定性分为四个不同阶段：水稳定性、热力学稳定性、动力学稳定性和化学稳定性。表1总结了文献研究中各种MOFs及其稳定性。

对于每种类型的MOFs稳定性，都存在许多相关功能

MOFs稳定性类型的比较分析及其稳定性提升的关键设计规则

MOFs的稳定性可以通过四个主要维度来理解：水稳定性、热力学稳定性、动力学稳定性和化学稳定性，每种稳定性都受独特的降解机制和稳定性提升设计规则的支配。水稳定性主要受水解的影响，在水分子破坏金属-配体相互作用的情况下尤为明显，尤其是在配体结合力较弱的MOFs中，例如Zn²⁺或Cu²⁺。这会导致配体位移和随后框架的崩解。为了提高水稳定性，MOFs

将AI和ML算法整合到MOFs设计、发现和性能预测中的合理性

传统的MOFs设计、发现和性能预测方法面临重大障碍，促使人们转向AI和ML算法。庞大的化学设计空间（包含数百万种可能的金属-连接体组合、孔结构和功能基团）使得实验探索变得缓慢、成本高昂且受到严重限制[171]。此外，评估MOFs的水稳定性、化学稳定性、热力学稳定性和动力学稳定性也面临重大挑战，因为这些特性

MOFs

AI与分子模拟的整合使得对大量MOFs的快速高效研究成为可能，这与传统的手动筛选方法相比具有显著优势。AI的应用还允许对影响CO₂/N₂选择性的PLDs（孔径尺寸）进行重要评估，特别是在低压或环境CO₂捕获情况下，较小的孔径尺寸更具优势。

为了解决与大规模MOF库高效筛选和优化相关的问题

缺乏标准化数据集和实验验证问题

利用AI和ML进行MOFs发现和CO₂吸附预测的一个重大限制是缺乏广泛、高质量、经过实验验证且标准化的数据集。大多数可用数据库依赖于模拟的吸附能力，而非真实的实验室测量结果，从而降低了模型的可靠性并限制了性能预测的准确性。关于水稳定性、热韧性、化学耐久性等重要信息

结论

本研究强调了MOFs在捕获CO₂方面的巨大潜力，同时指出了与其稳定性和性能相关的主要挑战。综述指出，MOFs的稳定性，特别是其水稳定性、热力学稳定性、动力学稳定性和化学稳定性，仍然是限制其在实际应用中广泛应用的关键因素。通过后合成修饰和功能化等提高稳定性的各种方法显示出了一定的前景

CRediT作者贡献声明

Aayzaz Ahmed：撰写——原始草稿、验证、监督、软件、方法论、研究、数据管理、概念化。 Mirza Aamish Hassan Khan：撰写——审阅与编辑、可视化、监督、软件、项目管理、研究、数据管理。 George Uwadiegwu Alaneme：撰写——审阅与编辑、可视化、监督、项目管理、方法论、形式分析、数据管理。 Tariq Ali：可视化、验证、软件、资源管理。

同意发表

所有作者同意发表本文。

伦理批准

所有作者确认本研究遵循了所有伦理规范。

资金声明

本研究工作未获得任何资金支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。