7月2日,林业工程学科绿色家居材料团队在国际材料领域顶级期刊《ACS Nano》(中科院1区,IF=15.8)在线发表题为“Efficient Removal of Greenhouse Gases: Machine Learning-Assisted Exploration of Metal−Organic Framework Space”(机器学习赋能面向温室气体去除的金属有机骨架)的综述论文。第一作者是该团队硕士研究生辛瑞麒,通讯作者为浙江农林大学朱文凯,合作作者包括河南城建学院王超海教授、毛艳丽教授以及昆士兰大学Yusuke Yamauchi教授。浙江农林大学化学与材料工程学院为该论文第一单位和通讯作者单位。
![](/__local/3/63/1E/BF6E275F799C4264A580B7052D8_6B308911_83589.png?e=.png)
该综述论文全面总结了近年来机器学习作为辅助工具筛选高性能MOFs用于温室气体去除的研究进展和展望,系统提供了机器学习、MOFs、温室气体去除三者的关系(图1),其中涵盖了机器学习在筛选MOFs时的一般工作流程和一些常见算法的介绍,重点总结了机器学习辅助筛选高温室气体去除性能的MOFs的应用。该工作有望为室内家居污染物的去除提供了新的解决方案,同时为绿色家居材料的设计指明了发展方向。
![](/__local/D/7B/DB/7B21DB97A7FBE16CF47FBE6DF27_ED5EB292_60E4A.png?e=.png)
图1 图形摘要
该综述囊括了各种机器学习方法筛选MOFs在温室气体去除中的应用,其中包括监督学习,无监督学习到半监督学习等,这些算法分别被用于不同的场景。由于温室气体是导致全球变暖的主要原因,有效地控制和去除温室气体,是科学界和工业界关注的焦点。该综述探究了机器学习辅助筛选MOFs在常见温室气体(CO2,CH4和SF6)去除中的应用。通过一系列的数据预处理、模型选择、训练、预测,实现对具有高温室气体去除性能的MOFs筛选。此外,本文梳理了机器学习在辅助MOFs筛选的实际应用中遇到的数据集质量低、可解释性低等问题的解决路径。同时,提出了使用机器学习在MOFs筛选时可加入实验失败数据,以更好的完善实验。论文最后列举了机器学习辅助筛选具有高温室气体去除性能MOFs的关键研究挑战,并提出了相应的发展展望(图2)。
![](/__local/9/D6/08/5B6899639E37529BC4D5BD7A74F_AD986F01_A9B4E.png?e=.png)
图2 机器学习辅助筛选高性能的目标MOF
(化材学院 朱文凯)