生成式人工智能技术、机器学习和模拟为研究人员提供了识别环保金属有机框架材料的新机会。
碳捕获是减少发电厂和其他工业设施温室气体排放的关键技术。然而，一种低成本有效碳捕获的合适材料尚未被发现。一个候选是金属有机框架或mof。这种多孔材料可以选择性地吸收二氧化碳。
mof分子有三种组成单元:无机节点、有机节点和有机连接体。它们可以以不同的相对位置和构型排列。因此，有无数潜在的MOF结构供科学家设计和测试。
为了加快发现过程，美国能源部阿贡国家实验室的研究人员正在探索几种途径。一种是生成式人工智能(ai)，它可以想象出以前未知的候选构件。另一个是人工智能的一种形式，称为机器学习。第三种途径是候选材料的高通量筛选。最后一种是基于理论的模拟，使用一种叫做分子动力学的方法。
加入阿贡国家实验室的研究人员来自伊利诺伊大学厄巴纳-香槟分校(UIUC)、伊利诺伊大学芝加哥分校和芝加哥大学的贝克曼高级科学技术研究所。
设计具有最佳碳选择性和容量的mof是一个重大挑战。到目前为止，MOF的设计依赖于艰苦的实验和计算工作。这可能既昂贵又耗时。
通过使用生成式人工智能探索MOF设计空间，该团队能够在30分钟内快速组装出超过120,000个新的MOF候选件。他们在阿贡领导计算设施(ALCF)的北极星超级计算机上进行了这些计算。
然后，他们求助于UIUC的Delta超级计算机，只使用最有希望的候选分子进行耗时的分子动力学模拟。目标是筛选它们的稳定性、化学性质和碳捕获能力。Delta是伊利诺斯州及其国家超级计算应用中心的共同努力。
该团队的方法最终可以让科学家合成最好的MOF竞争者。“人们已经思考mof至少20年了，”阿贡国家实验室的计算科学家Eliu Huerta说，他帮助领导了这项研究。“传统的方法通常涉及实验合成和分子动力学模拟的计算建模。但试图以这种方式调查庞大的财政部景观是不切实际的。”
更先进的计算技术将很快提供给团队使用。借助ALCF的极光百亿亿次超级计算机的力量，科学家们可以一次调查数十亿个MOF候选者，包括许多以前从未被提出过的候选者。
更重要的是，该团队正在从过去的分子设计工作中获得化学灵感，以发现MOF的不同构建块可以组合在一起的新方法。
Huerta说道:“我们想要为我们正在设计的mof添加新的元素。“我们需要人工智能配方中的新成分。”该团队的算法可以通过从生物物理学、生理学和物理化学实验数据集中学习化学来改进MOF的碳捕获，而这些数据在MOF设计中从未被考虑过。
对Huerta来说，超越传统的方法有望带来一种革命性的MOF材料——一种擅长碳捕获、成本效益高、易于生产的材料。
Huerta说:“我们现在将生成式人工智能、高通量筛选、分子动力学和蒙特卡罗模拟连接到一个独立的工作流程中。“这个工作流程结合了在线学习，利用过去的实验和计算研究来加速和提高人工智能的精度，以创建新的mof。”
人工智能支持的原子对原子的MOF设计方法将使科学家们能够拥有阿贡国家实验室高级科学家、数据科学与学习部门主管伊恩·福斯特所说的“更宽的视角”来研究这些多孔结构。
福斯特说:“我们正在进行的工作是，对于正在预测的新型人工智能组装mof，我们将整合来自自主实验室的见解，通过实验验证它们的合成能力和捕获碳的能力。”“随着模型的微调，我们的预测只会越来越好。”
Hyun Park、Xiaoli Yan、Ruijie Zhu、Eliu Huerta、Santanu Chaudhuri、Donny Copper、Ian Foster和Emad Tajkhorshid基于这项研究撰写了一篇论文。这篇文章发表在《通讯化学》的网络版上。
“这项研究展示了在分子科学中使用基于人工智能的方法的巨大潜力，”UIUC的Tajkhorshid说。“我们希望将这种方法的范围扩展到生物分子模拟和药物设计等问题上。”
Huerta说:“这项工作证明了研究生和来自不同机构的早期职业科学家之间的合作，他们共同致力于这个重要的人工智能科学项目。”“未来将保持光明，因为我们将继续激励和受到有才华的年轻科学家的启发。”
