7月29日消息，研究团队在arXiv预印本平台发表论文（arXiv:2607.27295），提出了一种集成机器学习框架MatCreatioNN，用于加速光催化材料的环境修复和CO2转化应用发现。

该框架将基于强化学习的金属有机框架（MOF）生成与多阶段晶体图卷积神经网络（CGCNN）预测漏斗相结合，针对带隙适用性、CO2/H2O选择性、吸附能和结构稳定性等13个关键描述符进行筛选。研究团队生成了12万个MOF候选物，采用漏斗方法将计算成本降低4.13倍，同时保持预测稳健性。

筛选结果中，两种最优候选物——一种铬基MOF和一种锌基MOF——的预测光催化适应性分别比基准材料PCN-224(Zr)高出1.70倍（误差正负0.25）和1.20倍（误差正负0.05），在光吸收、氧化还原能量学和框架耐久性方面实现了同步改善。模拟X射线衍射图谱确认了与实验合成MOF的强结构一致性，表明这些候选物具有高可合成性。

事后分析揭示了反复出现的结构基序（如N262金属簇），这些基序与高预测光催化活性强相关。研究结果表明，数据驱动方法有望加速从理论设计到实验合成的催化剂研发进程。光催化CO2还原技术被认为是同时解决碳排放和可再生能源燃料生产的前沿化学方向，MOF材料因其可调控的孔结构和活性位点而成为该领域的重点研究对象。 （来源：arXiv）