机器学习可以用来预测一组材料的特性，根据一些人的说法，这些材料对21世纪的重要性可能不亚于塑料对20世纪的重要性。

研究人员已经使用机器学习技术来精确预测金属有机骨架(MOFs)的机械特性，它可以用来从沙漠空气中提取水分，储存危险气体，或者为氢动力车提供动力。

由剑桥大学领导的研究人员利用他们的机器学习算法预测了超过3000个现存的mof以及实验室中尚未合成的mof的属性。

该研究结果发表在细胞出版社期刊《物质》(Matter)的创刊号上，可以显著加快材料在分子尺度上的特征和设计。

MOFs是由金属原子和有机原子连接而成的自组装的3-D化合物。和塑料一样，它们也具有高度的通用性，可以定制成数百万种不同的组合。与塑料不同的是，塑料是由长链的聚合物组成，只能向一个方向生长，而MOFs有有序的晶体结构，可以向各个方向生长。

这种晶体结构意味着MOFs可以像积木一样被制造出来：单个原子或分子可以被转换进或移除这个结构，这种精确度是塑料无法达到的。

这种结构具有很高的多孔性和巨大的表面积：将一个方糖块大小的MOF平放，可以覆盖六个足球场大小的面积。然而，也许有些与直觉相反，MOFs是高效的存储设备。任何一个MOF的孔都可以通过改变结构块来定制，形成一个完美形状的储存袋，储存不同的分子。

剑桥大学化学工程和生物技术系的David faireni - jimenez博士领导了这项研究，他说：“MOFs的多孔性使它们能够适应各种不同的应用，但同时它们的多孔性也使它们非常脆弱。”

MOFs是以粉末的形式合成的，但为了具有实际用途，将粉末置于压力下，形成更大的形状的球团。由于其多孔性，许多MOFs在这个过程中被粉碎，浪费时间和金钱。

为了解决这个问题，Fairen-Jimenez和他来自比利时和美国的合作者开发了一种机器学习算法来预测成千上万的mof的机械性能，因此只有那些具有必要的机械稳定性的mof才能制造出来。

研究人员使用多层次的计算方法来建立MOFs的结构和机械景观的交互式地图。首先，他们对3385 MOFs进行了高通量分子模拟。其次，他们开发了一种可自由使用的机器学习算法来自动预测现有的和尚未合成的mof的机械性能。

“我们现在能够同时用所有的材料解释景观，”Fairen-Jimenez说。“通过这种方式，我们可以预测对给定任务来说最好的材料是什么。”

研究人员推出了一个互动网站，科学家可以在这里设计和预测他们自己的MOFs的表现。Fairen-Jimenez说，这个工具将有助于缩小在这个领域工作的实验人员和计算人员之间的差距。

（本内容属于网络转载，文中涉及图片等内容如有侵权，请联系编辑删除）