怎样在数分钟内完成对数十万材料的性能预测，从而寻找出具有优质性能的碳捕获和储存（CCS）金属有机框架材料（MOF）？近日，新利18彩票 计算机科学与技术学院万夕里副教授指导的2020级硕士研究生鹿存兴同学通过一种计算法解决了这一问题。

众所周知，二氧化碳作为导致全球变暖的主要温室气体，对其捕获与储存，以助力“双碳”目标实现，改善生态环境，已为成为学界当下研究的热点和焦点。“如何在数量庞大的MOF中寻找到具有CCS性能优异的MOF是当前学术研究中的难点。” 谈及研究的初衷，鹿存兴表示，金属有机框架材料由于其在气体吸附方面出色的优异性能而被视为实现碳捕获与储存的理想材料，但是MOF的高度可调性导致可生成上百万种不同的MOF。“在导师的启发和指导下，着手研发一种可以快速而准确地预测MOF性能的方法，以推动MOF应用的发展。”

方法流程图（英文版）

“一是具有深度学习的特性，可以通过不断的自我训练与调节寻找出最优的预测方法；二是其端到端的特性使得无计算机基础的学者可以直接使用。”指导老师万夕里介绍，鹿存兴阐述了一种基于深度学习的金属有机框架材料碳捕获性能的端到端的人工智能预测方法，这种方法具有两大优点。近年来，虽有致力于解决这一问题的研究，但均有部分限制。如分子模拟方法需要消耗大量的计算资源，应对大型数据集时非常低效。此外，该方法既需要构建大量的描述符，又需要很强的先验知识与不断地试错，且需要在特征工程上投入大量时间来获取通过分子模拟的描述符数值。

方法流程图（中文版）

“我的计算方法避开了现有计算的耗时耗力的弊端，开发出一种无需构建描述符的端到端的预测方法，仅以晶体学信息文件（CIF）作为输入，通过深度学习来自适应地学习影响性能的高维度的特征，从而对MOF的性能进行快速而精准地预测。”鹿存兴介绍道， 他创新性地使用投影的方法，将材料领域中的三维结构转化为计算机可读的二维信息，在结合时下计算机领域深度学习的研究热点后，实现了端到端的性能预测。具体来说就是这种具有自学习能力的计算方法，在每次循环结束时会评估自己的预测与真实值的差距，进而通过这个差距调整自身的参数减少差距，多次循环后将误差降到最小，从而实现一个比较准确的拟函数。“实验表明，我们的计算方法数分钟内可对几十万MOF进行预测，预测值前12%的MOF中包含了真实高性能材料中的99.3%。”鹿存兴开心地说，导师万夕里的课题组主要从事人工智能、云计算、大数据等方面的研究，近年来，在计算机与数学、化学等多学科交叉方面有着可观的成果。得益于课题组，他的计算法在实际应用中，缩短了1/10的计算时间，即节省计算时间近一个量级。

据悉，鹿存兴阐述的“一种基于深度学习的金属有机框架材料（MOF）碳捕获性能的端到端的人工智能预测方法”学术论文，日前被美国化学学会（ACS）出版的国际知名期刊《化学信息与建模杂志》录用，并被选作当期封面文章刊发。（杨芳）

2022年8月17日《新华网》：http://js.news.cn/2022-08/17/c_1128921194.htm