Новый инструмент на основе ИИ ускорит поиск перспективных металлоорганических каркасов

Исследователи из Принстонского университета разработали новый инструмент на базе машинного обучения, который ускоряет открытие перспективных материалов, известных как металлоорганические каркасы (MOF).

MOF — это новый класс материалов, образующих микроскопические губчатые структуры с огромной внутренней поверхностью. Это свойство может революционизировать методы улавливания, поглощения и фильтрации веществ на молекулярном уровне. По мнению учёных, это открывает путь к созданию более эффективных аккумуляторов, технологий улавливания углерода и систем очистки воды.

Однако перед исследователями стоит проблема выбора. MOF обладают высокой модульностью, состоя из металлических узлов и органических молекул-линкеров, соединяющих их в обширные сети. Существуют триллионы возможных химических комбинаций, но далеко не все из них полезны, а некоторые вообще невозможно синтезировать в лаборатории.

Команда под руководством Аджи Буссо Диенга разработала метод, использующий машинное обучение для предсказания, какие структуры MOF являются хорошими кандидатами, избавляя учёных от необходимости перебирать бесчисленное множество бесперспективных вариантов. Результаты работы опубликованы в Journal of the American Chemical Society.

«Наш инструмент делает предсказание за секунды, в то время как традиционное молекулярное моделирование занимает от семи часов до более чем двух дней», — отметила Диенг, доцент информатики и сотрудник Принстонского института материалов.

В основе метода лежит прогнозирование свободной энергии — меры, описывающей стабильность молекулярной структуры. Разработка инструмента включала три ключевых этапа: преобразование физико-химических характеристик MOF в последовательности, понятные машине; создание базы данных MOF для обучения модели; и многократный запуск модели для предсказания свойств конкретных материалов.

«Представление в виде последовательности, которое мы придумали, — это именно то, что всё открыло», — сказала Диенг.

Используя эту систему, команда сгенерировала представления для миллиона MOF. Затем была обучена специальная языковая модель для предсказания значений свободной энергии. При тестировании на выборке из около 65 000 материалов с известными значениями точность предсказаний модели составила 97%.

Коллега Диенг, Диего Гомес-Гуальдрон из Колорадской горной школы, ранее установил, что если свободная энергия MOF ниже определённого порога (4,4 кДж/моль), то каркас считается стабильным и его можно синтезировать в лаборатории.

«Если у вас есть новый MOF, вы можете предсказать его свободную энергию, а также предсказать, можно ли его синтезировать или нет», — пояснила Диенг.

Сейчас команда работает над оптимизацией представления последовательностей, чтобы снизить вычислительные затраты, и над добавлением функции поиска в инструмент для быстрого нахождения стабильных MOF. Эта технология позволит исследователям сосредоточить ресурсы на самых перспективных кандидатах для практического применения в улавливании углерода, накоплении энергии, катализе и разделении газов.

Больше информации: Andre Niyongabo Rubungo et al, Highly Accurate and Fast Prediction of MOF Free Energy via Machine Learning, Journal of the American Chemical Society (2025). DOI: 10.1021/jacs.5c13960

Источник: Princeton University