|
|
|
|
|
针对性分析不同尺度化学结构特征有望深化对复杂金属有机框架气体吸附机制的认知 Engineering |
|
|
论文标题：A Multi-Scale Graph Neural Network for the Prediction of Multi-Component Gas Adsorption
期刊：Engineering
DOI：https://doi.org/10.1016/j.eng.2025.08.012
微信链接：点击此处阅读微信文章
近日，中国科学技术大学与中国科学院沈阳自动化研究所的研究人员在《Engineering》期刊发表了题为“A Multi-Scale Graph Neural Network for the Prediction of Multi-Component Gas Adsorption”的研究成果，提出一种多尺度晶体图与多头注意力晶体图网络模型，可精准预测金属有机框架材料的气体吸附性能，攻克传统模型适配晶体周期性难、易过拟合的问题，提升预测准确性与可解释性，为金属有机框架材料高通量筛选提供新路径。李璐君为文章第一作者，于海斌研究员为通讯作者。
在评估金属有机框架（MOF）材料气体吸附性能时，传统实验方法存在成本高、耗时长的问题，而分子动力学与巨正则蒙特卡洛等模拟技术则面临计算需求高的局限。这种局限会限制大规模筛选的开展。现有的深度学习模型存在两大关键局限：一是难以适配晶体结构固有的周期性——周期性是MOF材料的标志性特征；二是易对训练数据产生过拟合——过拟合会影响模型对新型材料的泛化能力。
为解决上述问题，研究人员提出两项核心创新技术。分别是多尺度晶体图与多尺度多头注意力晶体图网络。多尺度晶体图可在三个与气体相互作用相关的空间尺度上捕捉MOF材料的结构特征。0~2 Å尺度聚焦开放金属位点与金属–氧键等局部成键环境；2~3 Å尺度针对官能团与表面相互作用；3~5 Å尺度则关注孔道结构与拓扑特征。该晶体图通过自连接边对晶体周期性进行编码。这能确保模型反映晶格的无限重复特性。这一设计相较于忽略周期性的传统图神经网络是一项重要改进。
图1 多尺度晶体图的结构示意图。针对不同尺度下结构与功能特征的检测需求，对金属有机框架原子的传感距离进行定义。 这些传感距离的几何长度分别对应开放金属位点/键的检测、官能团/表面的检测、孔隙结构/拓扑的检测。
多尺度晶体图除了对MOF材料结构特征的精准刻画，其配套网络架构还利用多头自注意力机制优先关注有意义的原子相互作用，同时过滤冗余噪声。该网络会为晶体图的边分配注意力权重，重点聚焦金属–配体键等驱动气体吸附的相关特征。此外，该网络还包含一个比例系数为0.6的图池化层，以保留高影响力的边特征，缓解过拟合问题。
尽管上述模型在结构设计与机制优化上做出了改进，但其实用性与优越性仍需通过严谨的实验验证来支撑。实验验证采用了CoRE MOF数据库中的数据与巨正则蒙特卡洛模拟吸附数据。CoRE数据库包含经实验合成的材料信息。模拟数据通过RASPA 2.0软件结合UFF力场与TraPPE力场生成。在对 CO2、CH4和N2等单组分气体吸附性能的预测中，模型的预测准确度均显著提升。相较于图注意力网络，模型的可决系数（R2）提升超过200%。相较于存在严重过拟合问题的 MEGNet，模型的过拟合程度降低90%以上。在CO2:N2与CH4:CO2等多组分混合气体体系中，模型仍保持较高准确度。针对CO2:N2混合体系中CO2吸附量的预测，模型的R2相较于传统图神经网络提升约15%。针对CH4的预测难度更大。其准确度提升幅度比CO2低约10%。这一现象与CH4分子尺寸及结构所导致的更复杂的吸附机制有关。
值得注意的是，该模型并非仅局限于预测性能的提升，还通过注意力权重可视化提升了可解释性。这种可视化将高注意力权重与不同尺度下影响气体吸附的关键特征关联起来，以此回应材料科学领域对人工智能“黑箱”模型的质疑，有助于研究人员理解模型的预测逻辑。
总而言之，该研究针对MOF材料吸附性能预测中存在的周期性适应难题与模型过拟合问题展开攻关，提出了相对稳健且具备可解释性的吸附性能预测解决方案。这一预测方案有望加速适用于高效气体分离与存储场景的材料结构研发进程，推动此类功能材料的实际应用落地。
论文信息：
Lujun Li,Haibin Yu. A Multi-Scale Graph Neural Network for the Prediction of Multi-Component Gas Adsorption. Engineering, 2025, 52(9): 102-111 DOI:10.1016/j.eng.2025.08.012
更多内容
太原理工大学团队创新MOF材料设计，实现裂解气中乙烯一步高效提纯
任其龙院士：MOF基材料高效分离过程研究进展
《工程（英文）》：引领工程科技创新 服务国家战略需求
喜报：Engineering海外传播斩获佳绩！
Engineering征稿启事：人工智能赋能工程科技
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
