查理大学理学院的Grajciar博士和Heard博士组成的纳米材料建模小组开发并应用了一系列计算方法来研究具有巨大工业潜力的材料以及现有的工业开发材料，目的是对其进行优化。
他们建立了一个基于机器学习的新型框架，可以在操作条件下对此类材料进行全面研究。他们的研究成果已发表在《自然通讯》上。
沸石是一类具有巨大结构和化学多样性的微孔铝硅酸盐，它源于共价连接的二氧化硅/氧化铝四面体的无数稳定的三维排列。这使得沸石成为一种用途广泛的材料，其应用范围从热能存储到气体分离和水净化，但主要用于异相催化。
然而，到目前为止，对其巨大的结构和化学多样性的全面探索主要基于反复试验的实验方法和简化的理论模型。
随着机器学习的出现，计算机模拟的速度大大加快，采用更为现实和复杂的(催化)材料模型的机会之窗也随之打开。这就是Grajciar博士和Heard博士团队所利用的，他们开发了一种基于卷积神经网络的模型，该模型能够将各类材料的原子模拟速度提高几个数量级。
特别是，他们重点研究了极其重要的质子交换铝硅酸盐沸石，这是现有石化工艺的基石之一，以百万吨级规模生产，也是可持续化学新兴应用的主要候选材料之一。
重要的是，除了加速原子模拟之外，机器学习模型还能够发现这些材料中迄今为止未见过的化学过程和物种。此外，还举例说明了如何结合其他先进的机器学习工具来扩展这些基线神经网络模型，以进一步提高准确性和采样效率。
总之，纳米材料建模小组在工作中引入的基于ML的框架代表着朝着大规模模拟极其重要的催化材料类别——沸石——迈出了一大步，解决了该领域的长期挑战，从理解沸石热液(不)稳定性的机械基础到确定操作条件下活性物质和缺陷的特性。
这项工作代表了机器学习在合理材料设计方面的潜力的一个重要用例。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！