8月1日消息，研究团队提出了一种利用机器学习（ML）设计传统计算方法无法有效处理的金属有机框架（MOF）材料的通用方法论。论文于7月29日提交至arXiv预印本平台（arXiv:2607.27368）。 金属有机框架是由金属节点和有机配体通过配位键自组装形成的高度多孔晶体材料。MOF的结构可调性极高——理论上存在天文数字级别的可能组合，使实验筛选完全不可行。传统密度泛函理论（DFT）计算虽然精确，但计算成本极高，只能覆盖MOF化学空间的极小部分。许多关键的MOF材料因此被称为"不可设计的"（undesignable）——它们的存在超出了计算方法的可达范围。 研究团队展示了ML方法如何突破这一瓶颈。通过训练神经网络模型学习MOF结构-性能关系，ML可以在数百万种候选结构中快速筛选出最有前景的方案，再将计算资源集中于少数候选物进行精确DFT验证。以光催化为案例，团队展示了该方法如何发现具有理想带隙和光吸收特性的新型MOF光催化剂。 MOF在化学工业中的应用前景广阔。在催化领域，MOF的高比表面积（可达7000 m²/g以上）和可调控的活性位点使其成为非均相催化的理想平台。在气体分离和储存领域，MOF已展现出在碳捕集、氢储存和天然气净化方面的应用潜力。在传感和药物递送领域，功能化MOF也在快速发展。 该ML方法论的意义超越MOF领域。同样的框架可推广到其他面临"组合爆炸"挑战的材料体系，如高熵合金、钙钛矿和共价有机框架（COF）。AI驱动的材料发现正在从概念验证走向实际应用，有望显著缩短从实验室发现到工业部署的时间。 （来源：arXiv）