Vorhersage der MOF‐Synthese durch automatisches Data‐Mining und maschinelles Lernen. (10th March 2022)

• Record Type: Journal Article
• Authors: Luo, Yi; Bag, Saientan; Zaremba, Orysia; Cierpka, Adrian; Andreo, Jacopo; Wuttke, Stefan; Friederich, Pascal; Tsotsalas, Manuel
• Is Part Of: Angewandte Chemie. Volume 134:Number 19(2022)
• Page Start: n/a
• Page End: n/a
• Publication Date: 2022-03-10
• Subjects: Data-Mining -- Maschinelles Lernen -- Metallorganische Gerüststrukturen -- Mikroporöse Materialien -- Synthesevorhersage; Chemistry -- Periodicals; 540
• DOI: 10.1002/ange.202200242
• Languages: English
• ISSNs: 0044-8249

Abstract

Abstract: Trotz großer Fortschritte auf dem Gebiet der metallorganischen Gerüststrukturen (MOF) ist das volle Potential des Maschinellen Lernens (ML) für die Vorhersage von MOF‐Syntheseparametern bisher noch nicht erschlossen. In diesem Beitrag wird dargestellt, wie Methoden des ML für die Rationalisierung und Beschleunigung von MOF‐Entwicklungsverfahren eingesetzt werden können, indem die Synthesebedingungen der MOFs direkt anhand ihrer Kristallstruktur vorhergesagt werden. Unser Ansatz stützt sich auf: i) die Erstellung der ersten MOF‐Synthese‐Datenbank durch automatische Extraktion der Syntheseparameter aus der Fachliteratur, ii) das Trainieren und die Optimierung von ML‐Modellen mit Daten der MOF‐Datenbank und iii) die ML basierte Vorhersage der Synthesebedingungen neuer MOF‐Strukturen. Schon jetzt übertreffen die Ergebnisse der Vorhersagemodelle die Vorhersagen menschlicher ExpertInnen, welche in einer Befragung ermittelt wurden. Die automatisierte Synthesevorhersage ist über ein Web‐Tool unter https://mof‐synthesis.aimat.science verfügbar. Abstract : Ein Ansatz zur Rationalisierung und Beschleunigung der MOF‐Entwicklung durch eine direkte Vorhersage der Synthesebedingungen von MOFs anhand ihrer Kristallstruktur wurde entwickelt. Die Vorhersage basiert auf Modellen, die durch maschinelles Lernen mit der SynMOF‐Datenbank trainiert wurden. Diese Datenbank wurde durch automatisches Data‐Mining von Syntheseparametern aus der Fachliteratur erstellt. Die Modelle übertreffen die durch eine Erhebung zur Synthese erhaltenen Vorhersagen menschlicher Experten.