研究生研發新方法，數分鐘篩選99％高性能材料

　　““一種基于深度學習的金屬有機框架材料碳捕獲性能的端到端的人工智能預測方法”一文被選作《化學信息與建模雜志》封面文章 萬夕里課題組供圖

　　怎樣在數分鐘內完成對數十萬材料的性能預測，從而尋找出具有優質性能的碳捕獲和儲存（CCS）金屬有機框架材料（MOF）？近日，南京工業大學計算機科學與技術學院副教授萬夕里指導的2020級碩士研究生鹿存興通過一種計算法解決了這一問題。

　　日前，相關研究以“一種基于深度學習的金屬有機框架材料碳捕獲性能的端到端的人工智能預測方法”為題，被美國化學學會出版的《化學信息與建模雜志》錄用，并被選作當期封面文章刊發。

　　如何在數量龐大的MOF中尋找到具有CCS性能優異的MOF是當前學術研究中的難點。金屬有機框架材料由于其在氣體吸附方面出色的優異性能而被視為實現碳捕獲與儲存的理想材料，但是 MOF的高度可調性導致可生成上百萬種不同的MOF。

　　據萬夕里介紹道，鹿存興闡述了一種基于深度學習的金屬有機框架材料碳捕獲性能的端到端的人工智能預測方法，這種方法具有兩大優點。一是具有深度學習的特性，可以通過不斷的自我訓練與調節尋找出最優的預測方法；二是其端到端的特性使得無計算機基礎的學者可以直接使用。

　　近年來，學界雖有致力于解決這一問題的研究，但均有部分限制。如分子模擬方法需要消耗大量的計算資源，應對大型數據集時非常低效。此外，該方法既需要構建大量的描述符，又需要很強的先驗知識與不斷地試錯，且需要在特征工程上投入大量時間來獲取通過分子模擬的描述符數值。

　　鹿存興的計算方法避開了現有計算的耗時耗力的弊端，開發出一種無需構建描述符的端到端的預測方法，僅以晶體學信息文件（CIF）作為輸入，通過深度學習來自適應地學習影響性能的高維度的特征，從而對MOF的性能進行快速而精準地預測。

　　據鹿存興介紹， 他創新性地使用投影的方法，將材料領域中的三維結構轉化為計算機可讀的二維信息，在結合時下計算機領域深度學習的研究熱點后，實現了端到端的性能預測。具體來說就是這種具有自學習能力的計算方法，在每次循環結束時會評估自己的預測與真實值的差距，進而通過這個差距調整自身的參數減少差距，多次循環后將誤差降到最小，從而實現一個比較準確的擬函數。“實驗表明，我們的計算方法數分鐘內可對幾十萬MOF進行預測，預測值前12%的MOF中包含了真實高性能材料中的99.3%。”這一計算法在實際應用中，縮短了1/10的計算時間，即節省計算時間近一個量級。

　　相關論文信息：https://doi.org/10.1021/acs.jcim.2c00092