多伦多大学和西北大学的研究人员正在使用机器学习来制作适合不同工业用途的最佳材料。本周发表在NatureMachineIntelligence上的研究结果表明，人工智能的使用可以帮助为各种应用提出新材料，有助于加快材料的设计周期。一个例子是从工业燃烧过程中分离二氧化碳。

为了改善工业过程中化学品的分离，包括来自哈佛大学和渥太华大学的合作者在内的研究团队着手确定最佳的网状骨架——例如金属有机骨架和共价有机骨架——以供使用正在进行中。这种框架可以被认为是定制的分子“海绵”，通过分子构建块的自组装形成不同的排列，代表了一个新的结晶多孔材料家族，这些材料已被证明在解决领域技术挑战方面很有前途范围从清洁能源和传感器到生物医学。

“我们建立了一个自动化的材料发现平台，可以生成各种分子框架的设计，显着减少了确定在这个特定过程中使用的最佳材料所需的时间，”化学和化学系博士后研究员姚振鹏说。多伦多大学艺术与科学学院的计算机科学博士，他是该研究的主要作者。

“在这个平台的展示使用中，我们发现了与迄今为止已知的用于二氧化碳分离的一些性能最佳的材料相比具有很强竞争力的框架。”

然而，解决二氧化碳分离和温室气体减排和疫苗开发等其他问题的长期挑战是，在追求这种新材料的过程中需要花费不可预测的时间和大量的试错工作。用于构建化合物的分子构建块的偶尔无限组合可能意味着在取得突破之前耗尽大量时间和资源。

“设计网状材料特别具有挑战性，因为它们将模拟晶体的困难方面与模拟分子的困难结合在一个问题中，”高级合著者、加拿大150系理论化学研究主席AlánAspuru-Guzik教授说化学和计算机科学专业，以及加拿大人工智能矢量研究所的CIFARAI主席。

“这种网状化学方法体现了我们在多伦多大学通过人工智能加速材料开发的新兴重点。通过使用可以‘梦想’或建议新材料的人工智能模型，我们可以超越传统的基于图书馆的筛选方法。”

研究人员专注于金属有机框架(MOF)的开发，该框架现在被认为是从烟道气和其他燃烧过程中去除CO2的理想吸收材料。

“我们从在计算机上构建大量MOF结构开始，使用分子级建模模拟它们的性能，并构建了一个适用于所选CO2分离应用的训练池，”该研究的合著者RandallSnurr说。G.Searle教授，西北大学麦考密克工程学院化学与生物工程系主任。

“过去，我们会通过计算筛选候选人库并报告最佳候选人。这里的新东西是，在这种协作努力中开发的自动化材料发现平台比对数据库中每种材料的这种“蛮力”筛选更有效。也许更重要的是，该方法使用机器学习算法从数据中学习，因为它探索了材料的空间，并实际上提出了最初没有想到的新材料。”

研究人员表示，该模型在设计新型网状框架时显示出强大的预测和优化能力，特别是与特定功能中已知的候选物相结合，并且该平台在其应用中完全可定制，以应对许多当代技术挑战。

该研究得到了能源部科学办公室、加拿大加工技术研究与创新网络以及加拿大自然科学和工程研究委员会的支持。