越來(lái)越熱的地球，加速融化的冰川，頻頻發(fā)生的自然災(zāi)害…...?氣候變化已然成為全球人類都在面對(duì)的重大難題。

減少大氣中溫室氣體二氧化碳的濃度，是應(yīng)對(duì)氣候變化的重要手段之一，而碳捕集是實(shí)現(xiàn)這一目標(biāo)的核心。

目前，人類還沒(méi)有找到一種合適的材料，能以低成本實(shí)現(xiàn)有效的碳捕集。其中一種候選材料是金屬有機(jī)框架（MOFs），這種多孔材料可以選擇性地吸收二氧化碳。然而，設(shè)計(jì)出具有最佳碳選擇性和碳容量的 MOFs 是一項(xiàng)重大挑戰(zhàn)。迄今為止，MOF 的設(shè)計(jì)一直依賴于大量的實(shí)驗(yàn)和計(jì)算工作，既昂貴又耗時(shí)。

那么，如今已無(wú)所不在的人工智能（AI）技術(shù)可以做些什么嗎？答案是肯定的。

來(lái)自美國(guó)阿貢國(guó)家實(shí)驗(yàn)室的研究團(tuán)隊(duì)及其合作者，在一項(xiàng)最新研究中，借助生成式 AI 加快了發(fā)現(xiàn) MOFs 潛在配置的過(guò)程。

具體而言，他們利用生成式 AI 框架 GHP-MOFassemble，通過(guò)組裝隨機(jī)生成的 MOFs 結(jié)構(gòu)，結(jié)合分子動(dòng)力學(xué)模擬和 Monte Carlo 模擬，可以在 30 分鐘內(nèi)逐個(gè)構(gòu)件快速組裝出 12 萬(wàn)多個(gè)新的候選 MOFs。

圖｜新型 MOFs 的可視化圖片。左邊顯示的是生成式 AI 預(yù)測(cè)的構(gòu)件，右邊顯示的是預(yù)測(cè)的最終結(jié)構(gòu)。

相關(guān)研究論文以“A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture”為題，已于 2 月 14 日發(fā)表在 Nature 子刊 Communications Chemistry 上。

未來(lái)，他們將借助阿貢領(lǐng)導(dǎo)力計(jì)算設(shè)施（ALCF）的 Aurora 超大規(guī)模超級(jí)計(jì)算機(jī)，同時(shí)調(diào)查數(shù)十億個(gè)候選 MOF，包括許多以前從未被提出過(guò)的候選 MOF。

研究團(tuán)隊(duì)表示，這種超越傳統(tǒng)的方法有望帶來(lái)一種變革性的 MOFs 材料——一種可以很好地捕獲碳、具有成本效益且易于生產(chǎn)的材料。

30 分鐘生成12萬(wàn)種，AI加速M(fèi)OFs發(fā)現(xiàn)

MOFs 是一類由金屬離子或簇和有機(jī)配體組成的多孔晶體材料。它的結(jié)構(gòu)由金屬中心（通常是過(guò)渡金屬離子）與有機(jī)配體（通常是含氧、氮等功能基團(tuán)的有機(jī)分子）通過(guò)配位鍵連接而成。

這種結(jié)構(gòu)形成了大量的孔道和孔隙，使得 MOFs 具有高比表面積和可調(diào)控的孔徑尺寸。MOFs 的結(jié)構(gòu)可以根據(jù)不同的金屬中心和有機(jī)配體進(jìn)行調(diào)控，從而實(shí)現(xiàn)對(duì)孔道大小、形狀、表面功能等的精確設(shè)計(jì)。由于其孔道結(jié)構(gòu)可以調(diào)控，MOFs 可以選擇性地吸附和分離不同類型的氣體分子。

然而，發(fā)現(xiàn)最佳的 MOFs，不是一件容易的事。

它存在巨大的潛在的構(gòu)建單元的化學(xué)空間。傳統(tǒng)的試驗(yàn)方法難以窮盡這個(gè)龐大的化學(xué)空間，因此需要更高效的篩選方法。這其中的挑戰(zhàn)包括：構(gòu)建 MOFs，生成惡二氧化碳吸附數(shù)據(jù)，篩選和驗(yàn)證 MOFs 的穩(wěn)定性和可合成性，以及預(yù)測(cè)其二氧化碳吸附性能。

研究團(tuán)隊(duì)提出的生成式 AI 框架 GHP-MOFassemble?便解決了這些難點(diǎn)。

據(jù)論文描述，GHP-MOFassemble 框架分為三個(gè)關(guān)鍵組成部分：Decompose、Generate 和 Screen and Predict。

Decompose?部分使用分子分解算法將高性能 MOFs 結(jié)構(gòu)分解為分子片段，為新的 MOFs 設(shè)計(jì)提供基礎(chǔ)。

Generate?部分利用擴(kuò)散模型 DiffLinker 生成新的 MOFs 鏈接物，并利用機(jī)器學(xué)習(xí)算法對(duì)生成的 MOFs 結(jié)構(gòu)進(jìn)行篩選和驗(yàn)證，以確保其穩(wěn)定性和可合成性。

在?Screen and Predict?部分，通過(guò)回歸模型，分子動(dòng)力學(xué)模擬和 Grand Canonical Monte Carlo（GCMC）模擬對(duì)新生成的 MOFs 結(jié)構(gòu)進(jìn)行二氧化碳吸附能力預(yù)測(cè)，從而加速高性能 MOFs 的發(fā)現(xiàn)過(guò)程。

實(shí)驗(yàn)結(jié)果顯示，在數(shù)小時(shí)內(nèi)，該框架能夠高效地生成和評(píng)估大量 MOFs 結(jié)構(gòu)，并準(zhǔn)確預(yù)測(cè)其二氧化碳吸附能力。

MOFs 結(jié)構(gòu)的生成和篩選

使用 MOFs 組裝算法，結(jié)合三種隨機(jī)選擇的鏈接物和 hMOF 數(shù)據(jù)集中三種最常見的節(jié)點(diǎn)之一，生成了大約 120000 個(gè)不同的 MOFs 結(jié)構(gòu)。通過(guò)考慮四個(gè)不同的纏繞水平和節(jié)點(diǎn)-連接器-拓?fù)浣Y(jié)構(gòu)組合，從中篩選出符合要求的高性能 MOFs。

MOFs 幾何特性的檢查

使用 Pymatgen 提取了每個(gè) MOFs 結(jié)構(gòu)的 CIF 文件，并計(jì)算了原子間距離矩陣。通過(guò)閾值檢查，舍棄超出預(yù)設(shè)閾值的 MOFs 結(jié)構(gòu)，從而確保結(jié)構(gòu)的幾何性質(zhì)符合要求。

預(yù)模擬檢查

使用開源庫(kù) cif2lammps 為每個(gè) MOFs 分配了通用金屬有機(jī)框架的力場(chǎng)，并生成了 LAMMPS 輸入文件，從而對(duì) MOF 的原子結(jié)構(gòu)和鍵進(jìn)行驗(yàn)證，確保其在 UFF4MOF 范圍內(nèi)是化學(xué)有效性。

二氧化碳吸附性能的預(yù)測(cè)

使用經(jīng)過(guò)訓(xùn)練的回歸模型，對(duì) 18770 個(gè)通過(guò)篩選的 MOFs 結(jié)構(gòu)進(jìn)行了二氧化碳吸附能力的預(yù)測(cè)，其中有 364 個(gè)二氧化碳吸附性能較高的 MOFs。

分子動(dòng)力學(xué)模擬結(jié)果

對(duì) 364 個(gè)高性能 MOFs 結(jié)構(gòu)進(jìn)行分子動(dòng)力學(xué)模擬，評(píng)估其穩(wěn)定性和孔隙性質(zhì)，最終確定了 102 個(gè)穩(wěn)定的 MOFs 結(jié)構(gòu)。

GCMC 模擬結(jié)果

對(duì)這 102 個(gè) MOFs 進(jìn)行 Grand Canonical Monte Carlo（GCMC）模擬，計(jì)算它們?cè)?0.1 bar 和 300K 條件下的二氧化碳吸附能力，最終發(fā)現(xiàn)了 6 個(gè)二氧化碳吸附能力高于 2 m mol/g 的 MOFs。

圖｜根據(jù) GCMC 模擬和 CGCNN 模型，六種 MOF 分別在 0.1 bar 和 300 K 的壓力和溫度下的二氧化碳吸附容量值。

圖｜六種 MOFs 的晶體結(jié)構(gòu)。其中，碳為灰色，氮為深藍(lán)色，氟為青色，鋅為紫色，氫為白色，鋰為綠色。
以上結(jié)果表明，GHP-MOFassemble 能夠成功發(fā)現(xiàn)和驗(yàn)證具有優(yōu)異性能的金屬有機(jī)框架結(jié)構(gòu)。

AI+碳捕集的未來(lái)

當(dāng)然，目前的 AI 框架還無(wú)法成為人類研究碳捕集的完美助手。GHP-MOFassemble 也存在一些需要改進(jìn)的問(wèn)題。

首先，在預(yù)模擬檢查中，UFF4MOF 可能無(wú)法涵蓋所有化學(xué)反應(yīng)類型，因此某些具有特殊鍵合模式的 MOFs 結(jié)構(gòu)可能被錯(cuò)誤地排除或誤判為有效結(jié)構(gòu)。

而且，盡管使用了經(jīng)過(guò)訓(xùn)練的回歸模型來(lái)預(yù)測(cè) MOFs 結(jié)構(gòu)的二氧化碳吸附性能，但模型的精確性受模型本身的限制，可能存在一定的誤差。此外，模型可能無(wú)法考慮到所有影響二氧化碳吸附性能的因素，比如孔隙結(jié)構(gòu)的微觀細(xì)節(jié)。

另外，在分子動(dòng)力學(xué)模擬中可能存在一些近似性，如模擬條件的選擇、模擬時(shí)間的長(zhǎng)度等，這些因素可能會(huì)影響最終結(jié)果的準(zhǔn)確性。

此外，基于統(tǒng)計(jì)力學(xué)的方法，GCMC 模擬結(jié)果可能受到模擬參數(shù)的選擇、計(jì)算方法的限制等因素的影響，對(duì)二氧化碳吸附性能的預(yù)測(cè)可能存在一定的誤差。

當(dāng)然，由該 AI 框架篩選出來(lái)的 MOFs 的性能也還需要在實(shí)驗(yàn)中進(jìn)行驗(yàn)證，才能確保其在實(shí)際應(yīng)用中的可行性和穩(wěn)定性。

盡管如此，隨著技術(shù)的不斷進(jìn)步和研究的深入開展，AI 有望在材料設(shè)計(jì)、性能預(yù)測(cè)、優(yōu)化和定制等方面帶來(lái)更多突破，推動(dòng) MOFs 的廣泛應(yīng)用和進(jìn)一步發(fā)展。

而且，這只是 AI 在氣候變化中可扮演的眾多角色之一。未來(lái)，AI 也必將在人類應(yīng)對(duì)氣候變化的努力中扮演更重要的角色。

參考來(lái)源：

https://www.nature.com/articles/s42004-023-01090-2

https://www.eurekalert.org/news-releases/1034422

歡迎掃碼關(guān)注深i科普！

我們將定期推出

公益、免費(fèi)、優(yōu)惠的科普活動(dòng)和科普好物！