← Nieuwste papers
🔬 materiaalkunde

An open dataset of gas adsorption in deformable metal-organic frameworks for direct air capture

Het artikel introduceert de Open DAC 2025 (ODAC25) dataset, bestaande uit bijna 60 miljoen DFT-berekeningen op ongeveer 15.000 vervormbare metaal-organische raamwerken om hoogresolutie machine learning-gestuurde screening voor directe luchtvangstmaterialen mogelijk te maken.

Oorspronkelijke auteur: Anuroop Sriram, Logan M. Brabson, Xiaohan Yu, Sihoon Choi, Kareem Abdelmaqsoud, Elias Moubarak, Pim de Haan, Sindy Löwe, Johann Brehmer, Muhammed Shuaibi, John R. Kitchin, Max Welling, C. Lawrence Zit
Gepubliceerd 2026-11-18
📖 7 min leestijd🧠 Diepgaand

Oorspronkelijke auteur: Anuroop Sriram, Logan M. Brabson, Xiaohan Yu, Sihoon Choi, Kareem Abdelmaqsoud, Elias Moubarak, Pim de Haan, Sindy Löwe, Johann Brehmer, Muhammed Shuaibi, John R. Kitchin, Max Welling, C. Lawrence Zitnick, Zachary Ulissi, Andrew J. Medford, David S. Sholl

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteur. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Om de uitdaging van het reinigen van koolstofdioxide uit de lucht te begrijpen, moet men eerst de materialen begrijpen die wetenschappers gebruiken om het te vangen. Stel je een spons voor, maar in plaats van gemaakt te zijn van zacht schuim, is deze gebouwd van metaalatomen die via organische moleculen verbonden zijn in een rigide, driedimensionaal rooster. Dit zijn metal-organische raamwerken, of MOF's. Het zijn als microscopische sponsjes met poriën die zo uniform en uitgestrekt zijn dat ze specifieke gasmoleculen kunnen vangen terwijl ze andere doorlaten. Jarenlang hebben onderzoekers gehoopt deze materialen te gebruiken om koolstofdioxide rechtstreeks uit de atmosfeer te trekken, een proces dat direct luchtverzameling (direct air capture) wordt genoemd, om klimaatverandering te helpen vertragen. Het probleem is dat er miljoenen mogelijke manieren zijn om deze sponsjes te bouwen, en het één voor één testen in een laboratorium is te traag en te duur. Wetenschappers hebben zich tot computers gericht om te simuleren hoe verschillende MOF's zich gedragen, maar lange tijd vertrouwden deze simulaties op vereenvoudigde regels die vaak de subtiele, reële manieren misten waarop deze materialen buigen en veranderen wanneer gasmoleculen erin binnendringen.

Een nieuwe studie introduceert een enorme, open collectie gegevens die ontworpen is om deze hiaten te dichten en de zoektocht naar betere luchtreinigende materialen te versnellen. De onderzoekers, een team bestaande uit instellingen variërend van Meta tot het Georgia Institute of Technology, hebben een dataset gecreëerd genaamd Open DAC 2025. Deze collectie bevat bijna 60 miljoen gedetailleerde computerberekeningen die beschrijven hoe vier verschillende gassen — koolstofdioxide, waterdamp, stikstof en zuurstof — interageren met ongeveer 15.000 verschillende metal-organische raamwerken. In tegenstelling tot eerdere inspanningen die deze materialen als perfect rigide kooien behandelden, houdt deze nieuwe dataset rekening met het feit dat de raamwerken daadwerkelijk flexibel zijn en verschuiven wanneer gasmoleculen erin binnendringen. Door deze bewegingen op te nemen, samen met nieuwe soorten chemische modificaties en zelfs door de computer gegenereerde structuren die nog niet in de natuur bestaan, heeft het team een meer realistische en uitgebreide kaart geleverd voor het vinden van de beste materialen om koolstof te vangen.

De kern van dit werk adresseert een specifieke tekortkoming in de manier waarop wetenschappers deze materialen voorheen modelleerden. In eerdere studies gingen onderzoekers er vaak van uit dat het metal-organische raamwerk exact dezelfde vorm behield, of het nu leeg was of gevuld met gas. In werkelijkheid kan een gasmolecul even binnen een porie komen, de atomen van het raamwerk een klein beetje wegduwen, waardoor het materiaal vervormt. Deze vervorming verandert de energie die nodig is om het gas vast te houden. De nieuwe dataset corrigeert dit door simulaties uit te voeren waarbij het raamwerk wordt toegestaan te ontspannen en zijn meest stabiele vorm te vinden nadat een gasmolecul erin is gekomen, en vervolgens weer nadat het gas het weer verlaat. Dit proces onthulde dat veel materialen die voorheen als sterke kandidaten voor koolstofopvang werden beschouwd, in werkelijkheid minder effectief kunnen zijn zodra hun flexibiliteit in rekening wordt gebracht. De onderzoekers ontdekten dat het negeren van deze beweging tot aanzienlijke fouten kan leiden in de voorspelling van hoe goed een materiaal werkt, waarbij een materiaal soms veel beter lijkt te presteren dan het in werkelijkheid is.

Om deze dataset op te bouwen, keken de onderzoekers niet alleen naar bestaande materialen; ze breidden de chemische ruimte op verschillende manieren uit. Ze voegden stikstof en zuurstof toe aan de mix, gassen die overvloedig aanwezig zijn in de lucht en concurreren met koolstofdioxide om ruimte binnen de poriën. Ze creëerden ook nieuwe versies van de raamwerken door aminegroepen — chemische structuren die bekend staan om het aantrekken van koolstofdioxide — aan de metaalplaatsen of de verbindende schakels van het raamwerk te bevestigen. Bovendien gebruikten ze computeralgoritmen om duizenden hypothetische structuren te genereren die chemisch geldig zijn, maar nog niet in een laboratorium zijn gesynthetiseerd. Deze synthetische structuren verkenden geometrieën met grotere poriën en lagere dichtheden dan wat momenteel in experimentele databases te vinden is, waarmee effectief de grenzen werden getest van wat deze materialen theoretisch zouden kunnen zijn.

Het enorme volume aan gegevens dat vereist is om de volgende generatie kunstmatige intelligentiemodellen te trainen, is verbijsterend. Het team voerde bijna 60 miljoen individuele berekeningen uit, een taak die onmogelijk in een laboratoriumsetting voltooid zou kunnen worden. Ze gebruikten een methode genaamd dichtheidsfunctionaaltheorie (density functional theory), een zeer nauwkeurige manier om te berekenen hoe elektronen zich in atomen en moleculen gedragen, om de energie van elke interactie te bepalen. Om te garanderen dat deze berekeningen precies waren, corrigeerden ze voor numerieke fouten die kunnen optreden bij het simuleren van de herhalende patronen van de kristalstructuren. Ze namen ook hoogenergetische, onstabiele configuraties van gasmoleculen binnen de poriën op, die noodzakelijk zijn om computermodellen te trainen om te voorspellen hoe de materialen zich gedragen onder een breed scala aan omstandigheden, en niet alleen in hun meest comfortabele staat.

Met deze dataset in handen trainden de onderzoekers verschillende geavanceerde machine learning-modellen om de eigenschappen van deze materialen te voorspellen zonder telkens de dure berekeningen te hoeven uitvoeren. Deze modellen, die fungeren als een afkorting voor de complexe fysica, werden getest op hun vermogen om te voorspellen hoeveel gas een materiaal zou vasthouden bij lage druk, een belangrijke maatstaf voor prestaties. De resultaten toonden aan dat modellen getraind op deze nieuwe, meer realistische data aanzienlijk nauwkeuriger waren dan modellen getraind op oudere, vereenvoudigde data. Ze waren beter in het voorspellen van het gedrag van de materialen, inclus': hoe de raamwerken vervormen en hoe de verschillende gassen met elkaar concurreren. Deze verbetering is cruciaal omdat het betekent dat wetenschappers nu duizenden potentiële materialen kunnen screenen met een niveau van vertrouwen dat voorheen onbereikbaar was.

De studie benadrukte ook het belang van het opnemen van alle gassen die in de lucht worden gevonden, en niet alleen koolstofdioxide. Door te simuleren hoe stikstof en zuurstof met de raamwerken interageren, konden de onderzoekers materialen identificeren die specifiek voor koolstofdioxide zouden kunnen zijn, zelfs in de aanwezigheid van deze andere gassen. Ze ontdekten dat sommige materialen een sterke voorkeur vertoonden voor stikstof of zuurstof, wat een probleem zou zijn voor koolstofopvangtoepassingen. Dit niveau van detail helpt onderzoekers om tijd te besparen op materialen die er in een eenvoudige test goed uit zouden zien, maar zouden falen in de complexe omgeving van de echte lucht.

Hoewel de dataset een krachtig hulpmiddel is, wijzen de onderzoekers er voorzichtig op dat er beperkingen zijn. De simulaties vertrouwen op specifieke wiskundige benaderingen voor de interactie van elektronen, wat soms moeite kan hebben met bepaalde typen chemische reacties, met name die waarbij zuurstof betrokken is. Ze erkennen dat voor de meest kritische toepassingen verdere tests met complexere methoden nodig zullen zijn. Echter, de dataset biedt een robuuste fundering die veel superieur is aan de vereenvoudigde modellen uit het verleden. Door deze data en de getrainde modellen publiekelijk beschikbaar te maken, hoopt het team andere wetenschappers in staat te stellen om betere materialen sneller te ontwerpen, waardoor het veld dichter bij praktische, grootschalige oplossingen voor het verwijderen van koolstofdioxide uit de atmosfeer komt.

Het werk vertegenwoordigt een verschuiving van het bekijken van deze materialen als statische objecten naar het begrijpen van hen als dynamische systemen die reageren op hun omgeving. Deze verschuiving maakt een eerlijkere beoordeling mogelijk van welke materialen in de echte wereld zullen werken. De dataset bevat bijna 60 miljoen datapunten, die een breed scala aan chemische mogelijkheden beslaan, van de materialen die we vandaag de dag kennen tot de materialen die we ons pas net hebben voorgesteld. Het dient als een uitgebreide gids voor de volgende generatie ontdekkingen, waarbij wordt gewaarborgd dat wanneer nieuwe materialen worden gebouwd, ze worden gebouwd op een fundament van nauwkeurige, gedetailleerde en realistische wetenschap. Het uiteindelijke doel is om een materiaal te vinden dat efficiënt en goedkoop koolstofdioxide uit de lucht kan trekken, en deze nieuwe bron biedt de meest heldere kaart tot nu toe om het te vinden.

Verdrinkt u in papers in uw vakgebied?

Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.

Probeer Digest →