もっとメタルを

2023年7月31日

この記事は、Science X の編集プロセスとポリシーに従ってレビューされています。 編集者は、コンテンツの信頼性を確保しながら、次の属性を強調しました。

事実確認済み

査読済みの出版物

信頼できる情報源

校正する

ケイトリン・ランドラム著、カーネギーメロン大学機械工学

金属有機構造体（MOF）は、ガス吸収、水の回収、エネルギー貯蔵、脱塩などの幅広い用途により、数十年にわたり研究者を魅了してきました。 これまで、特定のタスクに対して最高のパフォーマンスを発揮する MOF を迅速かつ低コストで選択することは困難でした。 MOFormer は、3D 原子構造に明示的に依存せずに、主要なモデルよりも高い予測タスクの精度を達成できる機械学習モデルです。

「MOF の 3D 構造に依存すると追加コストが発生することを認識しました。これを回避するために、MOFid を使用して正確な予測を行いました」と、博士課程の Yuyang Wang 氏は説明します。 機械工学教授アミール・バラティ・ファリマーニの研究グループの学生。

この研究は、『The Journal of the American Chemical Society』に初めて掲載されました。

MOFid は、機械学習モデルがプロパティ予測を出力できるようにする MOF ビルディング ブロック (メタル ノード、有機リンカー、トポロジの組み合わせ) のテキスト文字列表現です。 これらの構成要素の組み合わせは無数にあるため、最適な MOF を見つけるのは複雑です。 Barati Farimani の MOFormer では、研究者は仮説的に新しい MOFid を作成することで、MOF のスクリーニングをより迅速に実行できます。

「MOFormer をトレーニングするには、自己教師あり学習 (SSL) を使用します。これは、グラフ ニューラル ネットワークによる構造ベースのアプローチと、MOformer による構造に依存しないアプローチの両方を活用します。SSL は、下流のプロパティ予測タスクにおける MOFormer のパフォーマンスを向上させます。このようなアプローチを使用することで、MOFormer のパフォーマンスが向上します。」私たちは、構造ベースのアプローチと構造に依存しないアプローチが相互の情報をどのように利用できるかを研究しています」と博士のリシケシュ・マガールは説明します。 バラティの研究室の学生。

「これにより、研究者が MOF をより効率的に構築する道が開かれます。たとえば、水の採取に適していると思われる仮説的な MOF 構造が 100 万個あるとします。MOFormer は、どれが最も望ましい特性を持つかを予測することで、それらを絞り込むことができます。そこから、研究者は実験室で 100 のバリエーションをテストするだけで済むかもしれません」と博士の Zhonglin Cao は述べています。 バラティのグループの学生（イラスト付き）。

他の構造に依存しない手法と比較して、MOFormer はさまざまなガス吸収予測タスクで 35 ～ 48% 高い精度を達成し、バンドギャップ予測では 21.4% 高い精度を達成します。

「我々はMOFormerがMOFの探索を促進することを期待している」とファルミニ氏は述べた。 「これは、仮説上の MOF の広大な化学空間を探索するためのツールとして機能します。」

詳しくは： Zhonglin Cao 他、MOFormer: Self-Supervised Transformer Model for Metal-Organic Framework Property Prediction、Journal of the American Chemical Society (2023)。 DOI: 10.1021/jacs.2c11420

雑誌情報:アメリカ化学会誌

カーネギーメロン大学機械工学部提供