越來越熱的地球，加速融化的冰川，頻頻發(fā)生的自然災害…...?氣候變化已然成為全球人類都在面對的重大難題。

減少大氣中溫室氣體二氧化碳的濃度，是應對氣候變化的重要手段之一，而碳捕集是實現(xiàn)這一目標的核心。

目前，人類還沒有找到一種合適的材料，能以低成本實現(xiàn)有效的碳捕集。其中一種候選材料是金屬有機框架（MOFs），這種多孔材料可以選擇性地吸收二氧化碳。然而，設(shè)計出具有最佳碳選擇性和碳容量的 MOFs 是一項重大挑戰(zhàn)。迄今為止，MOF 的設(shè)計一直依賴于大量的實驗和計算工作，既昂貴又耗時。

那么，如今已無所不在的人工智能（AI）技術(shù)可以做些什么嗎？答案是肯定的。

來自美國阿貢國家實驗室的研究團隊及其合作者，在一項最新研究中，借助生成式 AI 加快了發(fā)現(xiàn) MOFs 潛在配置的過程。

具體而言，他們利用生成式 AI 框架 GHP-MOFassemble，通過組裝隨機生成的 MOFs 結(jié)構(gòu)，結(jié)合分子動力學模擬和 Monte Carlo 模擬，可以在 30 分鐘內(nèi)逐個構(gòu)件快速組裝出 12 萬多個新的候選 MOFs。

圖｜新型 MOFs 的可視化圖片。左邊顯示的是生成式 AI 預測的構(gòu)件，右邊顯示的是預測的最終結(jié)構(gòu)。

相關(guān)研究論文以“A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture”為題，已于 2 月 14 日發(fā)表在 Nature 子刊 Communications Chemistry 上。

未來，他們將借助阿貢領(lǐng)導力計算設(shè)施（ALCF）的 Aurora 超大規(guī)模超級計算機，同時調(diào)查數(shù)十億個候選 MOF，包括許多以前從未被提出過的候選 MOF。

研究團隊表示，這種超越傳統(tǒng)的方法有望帶來一種變革性的 MOFs 材料——一種可以很好地捕獲碳、具有成本效益且易于生產(chǎn)的材料。

30 分鐘生成12萬種，AI加速MOFs發(fā)現(xiàn)

MOFs 是一類由金屬離子或簇和有機配體組成的多孔晶體材料。它的結(jié)構(gòu)由金屬中心（通常是過渡金屬離子）與有機配體（通常是含氧、氮等功能基團的有機分子）通過配位鍵連接而成。

這種結(jié)構(gòu)形成了大量的孔道和孔隙，使得 MOFs 具有高比表面積和可調(diào)控的孔徑尺寸。MOFs 的結(jié)構(gòu)可以根據(jù)不同的金屬中心和有機配體進行調(diào)控，從而實現(xiàn)對孔道大小、形狀、表面功能等的精確設(shè)計。由于其孔道結(jié)構(gòu)可以調(diào)控，MOFs 可以選擇性地吸附和分離不同類型的氣體分子。

然而，發(fā)現(xiàn)最佳的 MOFs，不是一件容易的事。

它存在巨大的潛在的構(gòu)建單元的化學空間。傳統(tǒng)的試驗方法難以窮盡這個龐大的化學空間，因此需要更高效的篩選方法。這其中的挑戰(zhàn)包括：構(gòu)建 MOFs，生成惡二氧化碳吸附數(shù)據(jù)，篩選和驗證 MOFs 的穩(wěn)定性和可合成性，以及預測其二氧化碳吸附性能。

研究團隊提出的生成式 AI 框架 GHP-MOFassemble?便解決了這些難點。

據(jù)論文描述，GHP-MOFassemble 框架分為三個關(guān)鍵組成部分：Decompose、Generate 和 Screen and Predict。

Decompose?部分使用分子分解算法將高性能 MOFs 結(jié)構(gòu)分解為分子片段，為新的 MOFs 設(shè)計提供基礎(chǔ)。

Generate?部分利用擴散模型 DiffLinker 生成新的 MOFs 鏈接物，并利用機器學習算法對生成的 MOFs 結(jié)構(gòu)進行篩選和驗證，以確保其穩(wěn)定性和可合成性。

在?Screen and Predict?部分，通過回歸模型，分子動力學模擬和 Grand Canonical Monte Carlo（GCMC）模擬對新生成的 MOFs 結(jié)構(gòu)進行二氧化碳吸附能力預測，從而加速高性能 MOFs 的發(fā)現(xiàn)過程。

實驗結(jié)果顯示，在數(shù)小時內(nèi)，該框架能夠高效地生成和評估大量 MOFs 結(jié)構(gòu)，并準確預測其二氧化碳吸附能力。

MOFs 結(jié)構(gòu)的生成和篩選

使用 MOFs 組裝算法，結(jié)合三種隨機選擇的鏈接物和 hMOF 數(shù)據(jù)集中三種最常見的節(jié)點之一，生成了大約 120000 個不同的 MOFs 結(jié)構(gòu)。通過考慮四個不同的纏繞水平和節(jié)點-連接器-拓撲結(jié)構(gòu)組合，從中篩選出符合要求的高性能 MOFs。

MOFs 幾何特性的檢查

使用 Pymatgen 提取了每個 MOFs 結(jié)構(gòu)的 CIF 文件，并計算了原子間距離矩陣。通過閾值檢查，舍棄超出預設(shè)閾值的 MOFs 結(jié)構(gòu)，從而確保結(jié)構(gòu)的幾何性質(zhì)符合要求。

預模擬檢查

使用開源庫 cif2lammps 為每個 MOFs 分配了通用金屬有機框架的力場，并生成了 LAMMPS 輸入文件，從而對 MOF 的原子結(jié)構(gòu)和鍵進行驗證，確保其在 UFF4MOF 范圍內(nèi)是化學有效性。

二氧化碳吸附性能的預測

使用經(jīng)過訓練的回歸模型，對 18770 個通過篩選的 MOFs 結(jié)構(gòu)進行了二氧化碳吸附能力的預測，其中有 364 個二氧化碳吸附性能較高的 MOFs。

分子動力學模擬結(jié)果

對 364 個高性能 MOFs 結(jié)構(gòu)進行分子動力學模擬，評估其穩(wěn)定性和孔隙性質(zhì)，最終確定了 102 個穩(wěn)定的 MOFs 結(jié)構(gòu)。

GCMC 模擬結(jié)果

對這 102 個 MOFs 進行 Grand Canonical Monte Carlo（GCMC）模擬，計算它們在 0.1 bar 和 300K 條件下的二氧化碳吸附能力，最終發(fā)現(xiàn)了 6 個二氧化碳吸附能力高于 2 m mol/g 的 MOFs。

圖｜根據(jù) GCMC 模擬和 CGCNN 模型，六種 MOF 分別在 0.1 bar 和 300 K 的壓力和溫度下的二氧化碳吸附容量值。

圖｜六種 MOFs 的晶體結(jié)構(gòu)。其中，碳為灰色，氮為深藍色，氟為青色，鋅為紫色，氫為白色，鋰為綠色。
以上結(jié)果表明，GHP-MOFassemble 能夠成功發(fā)現(xiàn)和驗證具有優(yōu)異性能的金屬有機框架結(jié)構(gòu)。

AI+碳捕集的未來

當然，目前的 AI 框架還無法成為人類研究碳捕集的完美助手。GHP-MOFassemble 也存在一些需要改進的問題。

首先，在預模擬檢查中，UFF4MOF 可能無法涵蓋所有化學反應類型，因此某些具有特殊鍵合模式的 MOFs 結(jié)構(gòu)可能被錯誤地排除或誤判為有效結(jié)構(gòu)。

而且，盡管使用了經(jīng)過訓練的回歸模型來預測 MOFs 結(jié)構(gòu)的二氧化碳吸附性能，但模型的精確性受模型本身的限制，可能存在一定的誤差。此外，模型可能無法考慮到所有影響二氧化碳吸附性能的因素，比如孔隙結(jié)構(gòu)的微觀細節(jié)。

另外，在分子動力學模擬中可能存在一些近似性，如模擬條件的選擇、模擬時間的長度等，這些因素可能會影響最終結(jié)果的準確性。

此外，基于統(tǒng)計力學的方法，GCMC 模擬結(jié)果可能受到模擬參數(shù)的選擇、計算方法的限制等因素的影響，對二氧化碳吸附性能的預測可能存在一定的誤差。

當然，由該 AI 框架篩選出來的 MOFs 的性能也還需要在實驗中進行驗證，才能確保其在實際應用中的可行性和穩(wěn)定性。

盡管如此，隨著技術(shù)的不斷進步和研究的深入開展，AI 有望在材料設(shè)計、性能預測、優(yōu)化和定制等方面帶來更多突破，推動 MOFs 的廣泛應用和進一步發(fā)展。

而且，這只是 AI 在氣候變化中可扮演的眾多角色之一。未來，AI 也必將在人類應對氣候變化的努力中扮演更重要的角色。

參考來源：

https://www.nature.com/articles/s42004-023-01090-2

https://www.eurekalert.org/news-releases/1034422

歡迎掃碼關(guān)注深i科普！

我們將定期推出

公益、免費、優(yōu)惠的科普活動和科普好物！