← 最新论文
🔬 材料科学

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

该论文介绍了 Open DAC 2025 (ODAC25) 数据集,该数据集包含约 15,000 种可变形金属有机框架上的近 6,000 万次密度泛函理论 (DFT) 计算,旨在为直接空气捕集材料的高分辨率机器学习驱动筛选提供支持。

原作者: 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
发布于 2026-11-18
📖 1 分钟阅读☕ 轻松阅读

原作者: 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

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

要理解从空气中清除二氧化碳的挑战,首先必须了解材料科学家用来捕捉它的材料。想象一个海绵,但它不是由柔软的泡沫制成的,而是由金属原子通过有机分子连接成一个刚性的三维晶格。这些被称为金属-有机框架(MOFs)。它们就像微观的海绵,其孔隙如此均匀且广阔,以至于可以在让其他气体通过的同时,捕捉特定的气体分子。多年来,研究人员一直希望利用这些材料直接从大气中提取二氧化碳,这一过程被称为直接空气捕集(direct air capture),旨在帮助减缓气候变化。问题在于,构建这些“海绵”的方式有数百万种,而在实验室中逐一进行测试既缓慢又昂贵。科学家们转向利用计算机来模拟不同 MOF 的行为,但长期以来,这些模拟依赖于简化的规则,往往忽略了这些材料在气体分子进入时发生弯曲和变化的微妙的、真实的物理方式。

一项新的研究引入了一个大规模的开放数据集,旨在弥补这些差距并加速寻找更好的空气净化材料。研究人员是一个跨越从 Meta 到佐治亚理工学院等多个机构的团队,他们创建了一个名为 Open DAC 2025 的数据集。该集合包含了近 6000 万个详细的计算机计算,描述了四种不同的气体——二氧化碳、水蒸气、氮气和氧气——如何与约 15,000 种不同的金属-有机框架相互作用。与以往将这些材料视为完美刚性笼子的努力不同,这个新数据集考虑到了框架在气体分子进入时实际上会发生形变和位移的事实。通过纳入这些运动,以及新型的化学改性,甚至包括尚未在自然界中存在的计算机生成结构,该团队为寻找最佳碳捕集材料提供了一份更真实、更全面的地图。

这项工作的核心解决了此前科学家建模时的特定缺陷。在早期的研究中,研究人员通常假设金属-有机框架无论是在空置还是充满气体的情况下都保持完全相同的形状。实际上,当一个气体分子进入孔隙时,它会轻微推动框架的原子,导致材料发生变形。这种变形改变了固定气体所需的能量。新数据集通过运行模拟来纠正这一点:在气体分子进入后,允许框架发生弛豫并找到其最稳定的形状,并在气体离开后再次进行此类操作。这一过程表明,许多此前被认为是碳捕集强力候选材料的材料,一旦考虑到其灵活性,实际效果可能会变差。研究人员发现,忽略这种运动会导致对材料性能预测的显著误差,有时会让一种材料看起来比其实际表现要好得多。

为了构建这个数据集,团队不仅观察了现有材料,还扩展了化学空间。他们加入了氮气和氧气,这些气体在空气中含量丰富,并且会在孔隙空间内与二氧化碳竞争。他们还通过在金属位点或框架的连接链上附着胺基(一种已知能吸引二氧化碳的化学结构)创造了框架的新版本。此外,他们利用计算机算法生成了数千个在化学上有效但在实验室中尚未合成的假设结构。这些合成结构探索了具有比目前实验数据库中发现的更大的孔径和更低密度的几何结构,有效地测试了这些材料在理论上可能达到的极限。

训练下一代人工智能模型所需的数据量是惊人的。团队执行了近 6000 万次单独的计算,这在实验室环境下是不可能完成的任务。他们使用了密度泛函理论(density functional theory)的方法,这是一种计算原子和分子中电子行为的高精度方法,用以确定每一次相互作用的能量。为了确保计算的精确性,他们纠正了在模拟晶体结构的重复模式时可能出现的数值误差。他们还包含了在高能、不稳定的状态下气体分子位于孔隙内的配置,这对于训练计算机模型以预测材料在广泛条件下(而不仅仅是在其最舒适状态下)的行为至关重要。

凭借这一数据集,研究人员训练了几种先进的机器学习模型,以便在无需每次都进行昂贵计算的情况下预测这些材料的性质。这些模型充当了复杂物理过程的“捷径”,并通过测试其预测材料在低压下能容纳多少气体的能力(这是衡量性能的关键指标)来验证。结果显示,基于这种更真实数据训练的模型,其准确性明显高于基于旧有的、简化数据的模型。它们能更好地预测材料的行为,包括框架如何变形以及不同气体之间如何相互竞争。这种改进至关重要,因为这意味着科学家现在可以以前所未有的信心,对成千上 l 万种潜在材料进行筛选。

该研究还强调了包含空气中所有气体(而不只是二氧化碳)的重要性。通过模拟氮气和氧气与框架的相互作用,研究人员可以识别出即使在存在这些其他气体的情况下,也能对二氧化碳具有选择性的材料。他们发现,某些材料对氮气或氧气表现出强烈的偏好,这对于碳捕集应用来说是一个问题。这种细致入微的分析有助于研究人员避免在那些在简单测试中表现良好、但在复杂的真实空气环境中却会失效的材料上浪费时间。

虽然该数据集是一个强大的工具,但研究人员也谨慎地指出了其局限性。模拟依赖于特定的数学近似方法来处理电子间的相互作用,这在处理某些类型的化学反应(特别是涉及氧气的反应)时可能会遇到困难。他们承认,对于最关键的应用,未来仍需要使用更复杂的方法进行进一步测试。然而,该数据集提供了一个稳健的基础,远优于过去的简化模型。通过将这些数据和训练好的模型公开,该团队希望能够赋能其他科学家更快地设计出更好的材料,推动该领域迈向实际的大规模解决方案。

这项工作代表了一种转变:不再将这些材料视为静态物体,而是将其理解为会对环境做出反应的动态系统。这种转变使得对哪些材料在现实世界中有效的评估更加诚实。该数据集包含了近 6000 万个数据点,涵盖了从我们现有的材料到我们仅在想象中的广泛化学可能性。它作为下一代发现过程的全面指南,确保当我们构建新材料时,是建立在准确、详细且真实的科学基础之上的。最终目标是找到一种能够高效且廉价地从天空中抽取二氧化碳的材料,而这一新资源提供了寻找它最清晰的地图。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →