Unifying Mixed Gas Adsorption in Molecular Sieve Membranes and MOFs using Machine Learning

最近的机器学习模型致力于准确地获取气体吸附等温线，主要集中在聚合物或金属有机框架（MOFs）上。由于化学结构的多样性，创建一个能够预测两种类型吸附剂中吸附趋势的统一模型是具有挑战性的。此外，仅在单一气体吸附数据上训练的模型无法预测二元气体混合物的吸附等温线。在这项工作中，我们使用仅包含气体混合物和吸附剂物理性质的特征向量来解决这些问题。我们的模型是在碳分子筛膜（CMSM）内单一和二元混合气体的吸附等温线以及CoRE MOF数据库中可用的数据上进行训练的。经过训练的模型能够准确预测两类材料的吸附趋势，包括纯组分和二元组分。针对一类材料设计的ML架构，即使经过适当的训练，也不适合预测另一类材料，这表明该模型必须联合训练才能进行适当的预测和可转移性。该模型用于预测CALF-20框架内的CO2吸收，具有良好的准确性。这项工作为在各种材料中预测复杂的气体混合物吸附过程开辟了一条新途径。

该论文旨在解决针对不同材料（聚合物和MOFs）进行气体吸附等温线预测的问题，以及针对单一气体吸附数据进行的模型无法预测二元气体混合物吸附等温线的问题。

该论文提出了一种基于物理性质的特征向量的机器学习模型，通过对碳分子筛膜（CMSM）和CoRE MOF数据库中单一和二元混合气体吸附等温线的训练，能够准确预测两类材料的吸附趋势，包括纯组分和二元混合物。论文还表明，即使经过适当的训练，针对一类材料设计的ML架构也不适合预测另一类材料，因此需要联合训练模型以实现正确的预测和可转移性。

该论文的亮点包括使用基于物理性质的特征向量的机器学习模型，能够预测两类材料的吸附趋势，包括纯组分和二元混合物。此外，论文还使用该模型成功预测了CO2在CALF-20框架中的吸附量。

最近的相关研究包括《Predicting Adsorption Performance of Metal-Organic Frameworks for Mixed-Gas Separation Using Machine Learning》和《Machine learning for high-throughput screening of nanoporous materials for energy applications》等。