基于DFT与机器学习原子间势的沸石咪唑酯框架层级晶体结构预测

《Chemical Science》:Hierarchical crystal structure prediction of zeolitic imidazolate frameworks using DFT and machine-learned interatomic potentialsOpen Access

【字体: 大 中 小 】 时间:2026年09月21日 来源:Chemical Science 8.1

编辑推荐:

  摘要专业翻译 晶体结构预测(Crystal Structure Prediction, CSP)正逐渐成为金属有机框架(Metal–Organic Frameworks, MOFs)计算设计的有力方法。本文采用CSP对锌咪唑盐(ZnIm2)的晶体能量景观进行了

  
摘要专业翻译 晶体结构预测(Crystal Structure Prediction, CSP)正逐渐成为金属有机框架(Metal–Organic Frameworks, MOFs)计算设计的有力方法。本文采用CSP对锌咪唑盐(ZnIm2)的晶体能量景观进行了高通量探索。作为沸石咪唑酯框架(Zeolitic Imidazolate Framework, ZIF)家族中多晶型最为丰富的成员,ZnIm2至少已有24种被报道的结构与拓扑形式,且新的多晶型仍在不断被发现。借助定制训练的机器学习原子间势(Machine-Learned Interatomic Potentials, MLIPs),研究人员对超过300万个随机生成的晶体堆积排列进行了高通量采样,识别出9609个能量极小值,对应1484种网络拓扑,其中855种为此前未见报道的拓扑。在搜索边界范围内的实验报道ZnIm2结构中,除一种外,其余均最终与预测结构相匹配,证明了CSP方法在采样实验相关ZIF结构方面的强大能力。最后,通过拓扑分析结合密度与孔隙率考量,研究人员识别出一组有望成为未来实验筛选目标的结构,并展示了如何通过将实验粉末衍射图谱与预测结构的模拟图谱进行匹配,来鉴定机械化学合成MOFs的结构。

论文解读

一、研究背景与问题

金属有机框架(Metal–Organic Frameworks, MOFs)是由金属节点与有机连接分子构筑的多功能材料,在气体储存与分离、催化、水净化、能源存储等领域具有广泛应用。MOFs的结构与功能多样性不仅源于节点与连接分子的组合变化,更在于同分异构现象——相同的构筑单元可形成多种晶体学排列方式。沸石咪唑酯框架(Zeolitic Imidazolate Frameworks, ZIFs)因金属节点的四面体几何构型与咪唑酯连接分子的角配位几何而具有与沸石相关的几何与拓扑特征,是多晶型与拓扑多样性的典型代表。锌咪唑盐(ZnIm2)作为ZIF多晶型多样性的典型范例,迄今已至少有24种晶体学上不同的形式,涵盖19种拓扑,通过溶液结晶、模板辅助合成、溶剂热方法、高压高温实验及机械化学筛选等多种途径获得。ZnIm2新多晶型的持续发现表明未来还有更多此类形式有待发掘。然而,在未知尚未发现的ZnIm2多晶型晶体结构的情况下,难以系统性地针对具有特定功能特性(包括表面积和孔体积)的材料进行设计。
晶体结构预测(Crystal Structure Prediction, CSP)可加速具有所需功能特性的新ZIF形式的发现。该方法已广泛用于有机分子材料新晶型的发现,包括药物固体、多孔有机材料、无机固体电解质和高压矿物相。然而,与纯有机和无机材料不同,MOFs的CSP发展主要依赖基于拓扑的结构生成方法,将生成结构限制为已知拓扑的衍生物。研究人员于2020年开发了一种基于从头算随机结构搜索(Ab Initio Random Structure Searching, AIRSS)方法并辅以分子Wyckoff对齐(Wyckoff Alignment of Molecules, WAM)程序的新型MOF结构生成CSP方法,利用连接分子的点群对称性生成假定结构,随后通过周期性密度泛函理论(Density-Functional Theory, DFT)计算进行结构优化与能量排序。然而,周期性DFT的高计算成本是限制CSP可处理体系规模的主要瓶颈。对于高度多晶型的ZnIm2材料,实验报道的体系规模可达每个原始晶体学晶胞40个化学式单元,远超此前DFT-based CSP研究限于每晶胞1–4个MOF化学式单元的能力。因此,开发准确且计算效率更高的DFT能量排序替代方案至关重要,机器学习原子间势(Machine-Learned Interatomic Potentials, MLIPs)正是此类替代方案。

二、研究内容与主要技术方法

研究人员开展了一项ZnIm2的层级高通量CSP研究,涉及定制MLIP的训练。研究中采用AIRSS+WAM方法进行晶体结构生成,包含1–4个ZnIm2化学式单元的生成结构先经周期性DFT优化,MLIPs针对DFT数据子集训练并在其余DFT数据上验证。随后利用MLIPs对所有包含多达16个化学式单元的试验结构进行优化与能量排序,经聚类去重后获得合成相关能量范围(距全局最小值45 kJ mol?1)内的独特结构晶体能量景观。预测结构通过网络拓扑与孔隙率表征,并与实验粉末衍射数据匹配。MLIP采用SchNetPack代码中的极化相互作用神经网络(Polarizable Interaction Neural Network, PaiNN)架构构建,分别训练了基于力的势(用于结构优化)和基于能量的势(用于能量排序)。

三、研究结果

MLIP的训练与验证
MLIP能量预测在训练集、验证集和测试集上的平均绝对误差(Mean Absolute Error, MAE)分别为7.13 meV/原子、12.14 meV/原子和12.72 meV/原子;力预测的MAE分别为48.54 meV ??1、66.29 meV ??1和76.06 meV ??1。预测结构的几何参数统计(Zn–N键长、N–Zn–N键角分布、τ几何指数)与实验ZnIm2结构高度一致,验证了MLIP方法的有效性。
预测能量景观的总体趋势
能量景观呈现低密度结构倾向于更高能量的趋势。基于PLATON软件的孔隙率分析,9609个结构中8247个具有非零孔隙率。实验报道的ZnIm2多晶型集中分布在能量-密度图的下对角线区域,表明该区域是未来发现新多晶型的最可能区域。
拓扑分布与实验结构的匹配
拓扑分析揭示1484种不同拓扑网络,其中855种为ToposPro TTD数据库未包含的新拓扑。预测结构中1294/9626个属于sql拓扑,包括全局最小结构及4.1 kJ mol?1以上的所有结构。zni拓扑结构在14.98 kJ mol?1处与实验结构(CSD IMIDZB02)匹配。此外,高压双互穿dia多晶型(17.26 kJ mol?1,匹配CSD IMIDZB14)、cag(31.04 kJ mol?1,匹配CSD GIZJOP)、dft(33.25 kJ mol?1,匹配CSD VEJYOZ)、gis(36.00 kJ mol?1,匹配CSD EQOCOC01)和sod(37.24 kJ mol?1,匹配CSD HIFVUO01)均获得匹配。crb拓扑中,crbT形式(CSD GAKXAW)在35.00 kJ mol?1处获得匹配,另外三个crb结构获得部分匹配。neb拓扑的预测结构与neb1实验多晶型具有结构关联性,但存在由缺乏客体分子导致的构象畸变。搜索未定位的结构主要因超出16化学式单元限制,而mer结构因实验无序性、coi结构因低对称性导致初始搜索未命中;通过额外在I41空间群生成100,000个结构的定向搜索,coi结构成功恢复。
未来可能发现的预测结构
基于能量-孔隙率综合判据,研究人员提出lon拓扑(34.62 kJ mol?1,密度1.03 g cm?3,孔隙率49%)和cha拓扑(密度0.86 g cm?3,孔隙率58%)结构为未来合成的高潜力候选。研究人员构建了经验方程E′ = Erel ? kV × fvoid用于合成可行性排序,拟合得到kV = 34.05 kJ mol?1,实验多晶型的平均E′ = 16.35 ± 3.66 kJ mol?1。该判据将候选结构从9626个缩减至982个,缩小了实验筛选范围。

四、讨论与结论

研究表明,MLIPs的引入使CSP搜索空间从DFT水平的每晶胞4个化学式单元大幅扩展至16个化学式单元,若保持DFT水平搜索,则无法发现任何实验ZnIm2多晶型,凸显了MLIPs在高通量MOF材料CSP中用于几何优化和能量排序的重要性。研究结论为:所提出的层级CSP方法成功复现了搜索边界内几乎所有实验报道的ZnIm2多晶型结构,并通过拓扑与孔隙率分析提出了未来实验合成的候选目标,同时展示了CSP在分析机械化学反应产物(多晶粉末使实验结构测定尤为困难)中的实用价值。未来研究可通过分子动力学(Molecular Dynamics, MD)和巨正则蒙特卡洛(Grand Canonical Monte Carlo, GC-MC)模拟显式建模主客体相互作用,但需先测试力场势与MLIP模型的兼容性,或开发能同时模拟无客体与含客体MOF结构及本体客体的通用模型。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号