8月4日消息，发表于arXiv的论文（编号2608.03760）开发了机器学习模型指导EMT沸石的合成条件发现。该研究由Rimer课题组（Jeffrey D. Rimer，休斯顿大学）、Palmer课题组（Jeremy C. Palmer）以及Wen Mingjian等7位作者完成。 沸石是具有多样化骨架结构的微孔晶体材料，广泛应用于石油炼制和分子分离等工业领域。与其他大多数沸石不同，EMT沸石可在温和条件下合成（低温且不需要有机结构导向剂），因此在成本效益和环境友好生产方面具有独特吸引力。然而，选择性合成EMT而非类似骨架（如FAU）的具体合成条件尚未明确。 研究团队的数据集包含174组实验合成尝试，记录了反应时间、温度、硅源和铝源、Si/Al化学计量比等合成参数。团队应用了经典机器学习方法和预训练基础模型，从合成参数预测沸石骨架产出。特征重要性分析识别了EMT形成的关键参数，验证了已知的合成规律。 利用训练好的ML模型，团队探索了合成空间并识别出六种有前景的新条件。实验验证确认了其中五种条件下成功结晶出EMT沸石，包括两种Si/Al化学计量比超出训练数据集范围的条件。在独立文献报道的合成条件上评估进一步证明了模型的泛化能力。 该研究表明机器学习可加速沸石材料的合成探索，减少传统试错法的实验次数。EMT沸石的温和合成条件若能通过AI优化实现规模化稳定生产，将为石油炼制催化剂和吸附分离材料提供更具成本效益的选择。 （来源：arXiv）