基于ANN的新型MOFs性能预测①

赖 欣,卢 罡,王 磊,毕志远,阳庆元,俞度立,4

1(北京化工大学 信息科学与技术学院,北京 100029)

2(北京化工大学 信息科学与技术学院 智能无人系统研究中心,北京 100029)

3(北京化工大学 有机无机复合材料国家重点实验室,北京 100029)

4(北京化工大学 软物质科学与工程高精尖创新中心,北京 100029)

近年来,以机器学习、深度学习为代表的人工智能理论和方法受到人们的广泛关注.尤其是谷歌DeepMind 团队开发的AlphaGo,在围棋领域中的精彩表现令人印象深刻[1,2].在此之后,DeepMind 又迅速对计算机视觉等领域做出了可喜成果[3].如今,机器学习已被广泛应用于自然语言处理[4,5]、数据挖掘[6]、证券市场分析[7]、机器人应用[8,9]、医学诊断[10,11]等领域.

在材料科学领域,材料的各种反应、合成中会产生海量的数据,而将善于从海量数据中发掘规律的机器学习方法应用于材料科学领域便顺理成章[12,13].实验研究发现,由于MOFs 具有较高的孔隙率和具有规律性、可组合性、多元性等特点,能够高效地通过计算机模拟预测MOFs 材料的物理化学性质[14].通过GCMC (Grand Canonical Monte Carlo)分子模拟方法对MOFs 进行高通量筛选已经被证实是一种有效的实验手段[15,16].目前应用的分子模拟方法主要有分子动力学、蒙特卡罗、密度泛函理论等.在探寻物理化学性能优秀的MOFs 材料过程中,需要对材料的结构特性、物理性质、化学性质等进行搜索分析,通常可以应用GCMC 分子模拟方法.然而,可能存在的MOFs结构存在于一个近乎无穷大的样本空间,要将所有MOFs 材料逐一进行分子模拟计算……