Machine learning accelerates the investigation of targeted MOFs: Performance prediction, rational design and intelligent synthesis

合理设计 纳米孔 化学空间 空格(标点符号) 班级(哲学) 计算机科学 人工智能 系统工程 机器学习 纳米技术 工程类 材料科学 生物信息学 药物发现 生物 操作系统
作者
Jing Lin,Zhimeng Liu,Yujie Guo,Shulin Wang,Tao Zhang,Xiangdong Xue,Rushuo Li,Shihao Feng,Linmeng Wang,Jiangtao Liu,Hongyi Gao,Ge Wang,Yanjing Su
出处
期刊:Nano Today [Elsevier BV]
卷期号:49: 101802-101802 被引量:39
标识
DOI:10.1016/j.nantod.2023.101802
摘要

Metal-organic frameworks (MOFs) are a new class of nanoporous materials that are widely used in various emerging fields due to their large specific surface area, high porosity and tunable pore size. Its excellent chemical tunability provides a wide material space, in which tens of thousands of MOFs have been synthesized. However, it is impossible to explore such a vast chemical space through trial-and-error methods, making it difficult to achieve custom design of high-performance MOFs for specific applications. Machine learning (ML) is a powerful tool for guiding materials design and preparation by mining the hidden knowledge in data, and can even make prediction of material properties in seconds. This review aims to provide readers with a new perspective on how ML has been changing the research and development paradigm of MOFs. The four main data sources for MOFs and how to select the suitable features (descriptors) are firstly presented to enable the reader to quickly acquire data and carry out machine learning. Moreover, the application of ML in the development of MOFs is highlighted from the perspectives of performance prediction, rational design and intelligent synthesis. Finally, the future challenges and opportunities of combining ML with MOFs from the points of view of data and algorithms are proposed. This review will provide instructive guidance for ML-assisted MOFs research.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
科研通AI5应助七七采纳,获得10
1秒前
su发布了新的文献求助10
1秒前
研友_VZG7GZ应助蓝_1995采纳,获得10
1秒前
我是老大应助从容采纳,获得10
1秒前
喵喵完成签到,获得积分10
2秒前
打打应助加入书签采纳,获得30
2秒前
科研通AI5应助加入书签采纳,获得30
2秒前
淡淡的冥茗完成签到,获得积分10
2秒前
科研通AI5应助加入书签采纳,获得10
3秒前
酷波er应助加入书签采纳,获得10
3秒前
airvi发布了新的文献求助10
3秒前
3秒前
默默安荷完成签到,获得积分10
3秒前
www发布了新的文献求助30
4秒前
fuchao发布了新的文献求助10
5秒前
星宇完成签到 ,获得积分10
5秒前
5秒前
5秒前
资白玉发布了新的文献求助10
6秒前
6秒前
独特凌柏发布了新的文献求助30
6秒前
shenjy关注了科研通微信公众号
7秒前
彭于彦祖应助Ruoru采纳,获得30
7秒前
8秒前
努力学习完成签到,获得积分10
8秒前
feng完成签到,获得积分10
8秒前
8秒前
achaia完成签到,获得积分10
8秒前
ironsilica发布了新的文献求助10
9秒前
在水一方应助yujiaxin采纳,获得10
9秒前
Cat发布了新的文献求助10
9秒前
QL发布了新的文献求助10
9秒前
卷aaaa完成签到,获得积分10
10秒前
贺兰生羽完成签到,获得积分10
11秒前
哈哈哈哈发布了新的文献求助10
11秒前
dio完成签到,获得积分10
11秒前
烟花应助Elena采纳,获得10
12秒前
徐上进发布了新的文献求助10
12秒前
xxx发布了新的文献求助10
12秒前
boook完成签到,获得积分10
12秒前
高分求助中
All the Birds of the World 4000
Production Logging: Theoretical and Interpretive Elements 3000
Les Mantodea de Guyane Insecta, Polyneoptera 2000
Machine Learning Methods in Geoscience 1000
Resilience of a Nation: A History of the Military in Rwanda 888
Musculoskeletal Pain - Market Insight, Epidemiology And Market Forecast - 2034 666
Crystal Nonlinear Optics: with SNLO examples (Second Edition) 500
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3735334
求助须知:如何正确求助?哪些是违规求助? 3279318
关于积分的说明 10014051
捐赠科研通 2995959
什么是DOI,文献DOI怎么找? 1643767
邀请新用户注册赠送积分活动 781440
科研通“疑难数据库(出版商)”最低求助积分说明 749398