文章内容

本报讯 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，由我校计算机科学与技术学院副教授万夕里指导的 2020级硕士研究生鹿存兴通过一种计算法解决了这一问题。

“二氧化碳是导致全球变暖的主要温室气体，对其捕获与储存， 已成为学界研究的热点和焦点。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，我开始着手研发一种可以快速而准确地预测MOF 性能的方法。 ”

“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可使无计算机基础的学者直接使用。 ”万夕里介绍了鹿存兴开发的预测方法的两大优点。他表示，近年来，致力于解决这一问题的研究均有部分限制，如分子模拟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。 “消耗了大量的计算资源，应对大型数据集时非常低效。 ”

“端到端的预测方法无需构建描述符， 仅以晶体学信息文件(CIF)作为输入，自适应地学习影响性能的高维度特征， 对 MOF 的性能进行快速而精准地预测。 ”鹿存兴介绍说，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，结合深度学习的研究热点后，实现了端到端的性能预测， 规避了现有计算耗时耗力的问题。

这种具有自学习能力的计算方法，会根据每次循环结束时评估预测值与真实值的差距，调整自身的参数来减少差距， 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，我们的计算方法几分钟内可对几十万种 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，导师万夕里课题组近年来，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，他的计算法节省计算时间近一个量级，只用 1/10 的时间，就能筛选出 99%具有 CCS 性能优异的 MOF。

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