30分钟“搞出”12万种候选材料？生成式AI“抓碳”显神威！

越来越热的地球，加速融化的冰川，频频发生的自然灾害…... 气候变化已然成为全球人类都在面对的重大难题。

减少大气中温室气体二氧化碳的浓度，是应对气候变化的重要手段之一，而碳捕集是实现这一目标的核心。

目前，人类还没有找到一种合适的材料，能以低成本实现有效的碳捕集。其中一种候选材料是金属有机框架（MOFs），这种多孔材料可以选择性地吸收二氧化碳。然而，设计出具有最佳碳选择性和碳容量的 MOFs 是一项重大挑战。迄今为止，MOF 的设计一直依赖于大量的实验和计算工作，既昂贵又耗时。

那么，如今已无所不在的人工智能（AI）技术可以做些什么吗？答案是肯定的。

来自美国阿贡国家实验室的研究团队及其合作者，在一项最新研究中，借助生成式 AI 加快了发现 MOFs 潜在配置的过程。

具体而言，他们利用生成式 AI 框架 GHP-MOFassemble，通过组装随机生成的 MOFs 结构，结合分子动力学模拟和 Monte Carlo 模拟，可以在 30 分钟内逐个构件快速组装出 12 万多个新的候选 MOFs。

图｜新型 MOFs 的可视化图片。左边显示的是生成式 AI 预测的构件，右边显示的是预测的最终结构。

相关研究论文以“A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture”为题，已于 2 月 14 日发表在 Nature 子刊 Communications Chemistry 上。

未来，他们将借助阿贡领导力计算设施（ALCF）的 Aurora 超大规模超级计算机，同时调查数十亿个候选 MOF，包括许多以前从未被提出过的候选 MOF。

研究团队表示，这种超越传统的方法有望带来一种变革性的 MOFs 材料——一种可以很好地捕获碳、具有成本效益且易于生产的材料。

30 分钟生成12万种，AI加速MOFs发现

MOFs 是一类由金属离子或簇和有机配体组成的多孔晶体材料。它的结构由金属中心（通常是过渡金属离子）与有机配体（通常是含氧、氮等功能基团的有机分子）通过配位键连接而成。

这种结构形成了大量的孔道和孔隙，使得 MOFs 具有高比表面积和可调控的孔径尺寸。MOFs 的结构可以根据不同的金属中心和有机配体进行调控，从而实现对孔道大小、形状、表面功能等的精确设计。由于其孔道结构可以调控，MOFs 可以选择性地吸附和分离不同类型的气体分子。

然而，发现最佳的 MOFs，不是一件容易的事。

它存在巨大的潜在的构建单元的化学空间。传统的试验方法难以穷尽这个庞大的化学空间，因此需要更高效的筛选方法。这其中的挑战包括：构建 MOFs，生成恶二氧化碳吸附数据，筛选和验证 MOFs 的稳定性和可合成性，以及预测其二氧化碳吸附性能。

研究团队提出的生成式 AI 框架 GHP-MOFassemble 便解决了这些难点。

据论文描述，GHP-MOFassemble 框架分为三个关键组成部分：Decompose、Generate 和 Screen and Predict。

Decompose 部分使用分子分解算法将高性能 MOFs 结构分解为分子片段，为新的 MOFs 设计提供基础。

Generate 部分利用扩散模型 DiffLinker 生成新的 MOFs 链接物，并利用机器学习算法对生成的 MOFs 结构进行筛选和验证，以确保其稳定性和可合成性。

在 Screen and Predict 部分，通过回归模型，分子动力学模拟和 Grand Canonical Monte Carlo（GCMC）模拟对新生成的 MOFs 结构进行二氧化碳吸附能力预测，从而加速高性能 MOFs 的发现过程。

实验结果显示，在数小时内，该框架能够高效地生成和评估大量 MOFs 结构，并准确预测其二氧化碳吸附能力。

MOFs 结构的生成和筛选

使用 MOFs 组装算法，结合三种随机选择的链接物和 hMOF 数据集中三种最常见的节点之一，生成了大约 120000 个不同的 MOFs 结构。通过考虑四个不同的缠绕水平和节点-连接器-拓扑结构组合，从中筛选出符合要求的高性能 MOFs。

MOFs 几何特性的检查

使用 Pymatgen 提取了每个 MOFs 结构的 CIF 文件，并计算了原子间距离矩阵。通过阈值检查，舍弃超出预设阈值的 MOFs 结构，从而确保结构的几何性质符合要求。

预模拟检查

使用开源库 cif2lammps 为每个 MOFs 分配了通用金属有机框架的力场，并生成了 LAMMPS 输入文件，从而对 MOF 的原子结构和键进行验证，确保其在 UFF4MOF 范围内是化学有效性。

二氧化碳吸附性能的预测

使用经过训练的回归模型，对 18770 个通过筛选的 MOFs 结构进行了二氧化碳吸附能力的预测，其中有 364 个二氧化碳吸附性能较高的 MOFs。

分子动力学模拟结果

对 364 个高性能 MOFs 结构进行分子动力学模拟，评估其稳定性和孔隙性质，最终确定了 102 个稳定的 MOFs 结构。

GCMC 模拟结果

对这 102 个 MOFs 进行 Grand Canonical Monte Carlo（GCMC）模拟，计算它们在 0.1 bar 和 300K 条件下的二氧化碳吸附能力，最终发现了 6 个二氧化碳吸附能力高于 2 m mol/g 的 MOFs。

图｜根据 GCMC 模拟和 CGCNN 模型，六种 MOF 分别在 0.1 bar 和 300 K 的压力和温度下的二氧化碳吸附容量值。

图｜六种 MOFs 的晶体结构。其中，碳为灰色，氮为深蓝色，氟为青色，锌为紫色，氢为白色，锂为绿色。
以上结果表明，GHP-MOFassemble 能够成功发现和验证具有优异性能的金属有机框架结构。

AI+碳捕集的未来

当然，目前的 AI 框架还无法成为人类研究碳捕集的完美助手。GHP-MOFassemble 也存在一些需要改进的问题。

首先，在预模拟检查中，UFF4MOF 可能无法涵盖所有化学反应类型，因此某些具有特殊键合模式的 MOFs 结构可能被错误地排除或误判为有效结构。

而且，尽管使用了经过训练的回归模型来预测 MOFs 结构的二氧化碳吸附性能，但模型的精确性受模型本身的限制，可能存在一定的误差。此外，模型可能无法考虑到所有影响二氧化碳吸附性能的因素，比如孔隙结构的微观细节。

另外，在分子动力学模拟中可能存在一些近似性，如模拟条件的选择、模拟时间的长度等，这些因素可能会影响最终结果的准确性。

此外，基于统计力学的方法，GCMC 模拟结果可能受到模拟参数的选择、计算方法的限制等因素的影响，对二氧化碳吸附性能的预测可能存在一定的误差。

当然，由该 AI 框架筛选出来的 MOFs 的性能也还需要在实验中进行验证，才能确保其在实际应用中的可行性和稳定性。

尽管如此，随着技术的不断进步和研究的深入开展，AI 有望在材料设计、性能预测、优化和定制等方面带来更多突破，推动 MOFs 的广泛应用和进一步发展。

而且，这只是 AI 在气候变化中可扮演的众多角色之一。未来，AI 也必将在人类应对气候变化的努力中扮演更重要的角色。

参考来源：

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

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