30分鐘生成12萬種候選材料，生成式AI助力碳捕集，登上Nature子刊

越來越熱的地球，加速融化的冰川，頻頻發生的自然災害…... 氣候變化已然成爲全球人類都在面對的重大難題。

減少大氣中溫室氣體二氧化碳的濃度，是應對氣候變化的重要手段之一，而碳捕集是實現這一目標的核心。

目前，人類還沒有找到一種合適的材料，能以低成本實現有效的碳捕集。其中一種候選材料是金屬有機框架（MOFs），這種多孔材料可以選擇性地吸收二氧化碳。然而，設計出具有最佳碳選擇性和碳容量的 MOFs 是一項重大挑戰。迄今爲止，MOF 的設計一直依賴於大量的實驗和計算工作，既昂貴又耗時。

那麼，如今已無所不在的人工智能（AI）技術可以做些什麼嗎？答案是肯定的。

來自美國阿貢國家實驗室的研究團隊及其合作者，在一項最新研究中，藉助生成式 AI 加快了發現 MOFs 潛在配置的過程。

具體而言，他們利用生成式 AI 框架 GHP-MOFassemble，通過組裝隨機生成的 MOFs 結構，結合分子動力學模擬和 Monte Carlo 模擬，可以在 30 分鐘內逐個構件快速組裝出 12 萬多個新的候選 MOFs。

圖｜新型 MOFs 的可視化圖片。左邊顯示的是生成式 AI 預測的構件，右邊顯示的是預測的最終結構。

相關研究論文以“A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture”爲題，已於 2 月 14 日發表在 Nature 子刊 Communications Chemistry 上。

未來，他們將藉助阿貢領導力計算設施（ALCF）的 Aurora 超大規模超級計算機，同時調查數十億個候選 MOF，包括許多以前從未被提出過的候選 MOF。

研究團隊表示，這種超越傳統的方法有望帶來一種變革性的 MOFs 材料——一種可以很好地捕獲碳、具有成本效益且易於生產的材料。

30 分鐘生成12萬種，AI加速MOFs發現

MOFs 是一類由金屬離子或簇和有機配體組成的多孔晶體材料。它的結構由金屬中心（通常是過渡金屬離子）與有機配體（通常是含氧、氮等功能基團的有機分子）通過配位鍵連接而成。

這種結構形成了大量的孔道和孔隙，使得 MOFs 具有高比表面積和可調控的孔徑尺寸。MOFs 的結構可以根據不同的金屬中心和有機配體進行調控，從而實現對孔道大小、形狀、表面功能等的精確設計。由於其孔道結構可以調控，MOFs 可以選擇性地吸附和分離不同類型的氣體分子。

然而，發現最佳的 MOFs，不是一件容易的事。

它存在巨大的潛在的構建單元的化學空間。傳統的試驗方法難以窮盡這個龐大的化學空間，因此需要更高效的篩選方法。這其中的挑戰包括：構建 MOFs，生成惡二氧化碳吸附數據，篩選和驗證 MOFs 的穩定性和可合成性，以及預測其二氧化碳吸附性能。

研究團隊提出的生成式 AI 框架 GHP-MOFassemble 便解決了這些難點。

據論文描述，GHP-MOFassemble 框架分爲三個關鍵組成部分：Decompose、Generate 和 Screen and Predict。

實驗結果顯示，在數小時內，該框架能夠高效地生成和評估大量 MOFs 結構，並準確預測其二氧化碳吸附能力。

MOFs 結構的生成和篩選

使用 MOFs 組裝算法，結合三種隨機選擇的鏈接物和 hMOF 數據集中三種最常見的節點之一，生成了大約 120000 個不同的 MOFs 結構。通過考慮四個不同的纏繞水平和節點-連接器-拓撲結構組合，從中篩選出符合要求的高性能 MOFs。

MOFs 幾何特性的檢查

使用 Pymatgen 提取了每個 MOFs 結構的 CIF 文件，並計算了原子間距離矩陣。通過閾值檢查，捨棄超出預設閾值的 MOFs 結構，從而確保結構的幾何性質符合要求。

預模擬檢查

使用開源庫 cif2lammps 爲每個 MOFs 分配了通用金屬有機框架的力場，並生成了 LAS 輸入文件，從而對 MOF 的原子結構和鍵進行驗證，確保其在 UFF4MOF 範圍內的化學有效性。

二氧化碳吸附性能的預測

使用經過訓練的迴歸模型，對 18770 個通過篩選的 MOFs 結構進行了二氧化碳吸附能力的預測，其中有 364 個二氧化碳吸附性能較高的 MOFs。

分子動力學模擬結果

對 364 個高性能 MOFs 結構進行分子動力學模擬，評估其穩定性和孔隙性質，最終確定了 102 個穩定的 MOFs 結構。

GCMC 模擬結果

對這 102 個 MOFs 進行 Grand Canonical Monte Carlo（GCMC）模擬，計算它們在 0.1 bar 和 300K 條件下的二氧化碳吸附能力，最終發現了 6 個二氧化碳吸附能力高於 2 m mol/g 的 MOFs。

圖｜根據 GCMC 模擬和 CGCNN 模型，六種 MOF 分別在 0.1 bar 和 300 K 的壓力和溫度下的二氧化碳吸附容量值。

圖｜六種 MOFs 的晶體結構。其中，碳爲灰色，氮爲深藍色，氟爲青色，鋅爲紫色，氫爲白色，鋰爲綠色。

以上結果表明，GHP-MOFassemble 能夠成功發現和驗證具有優異性能的金屬有機框架結構。

AI+碳捕集的未來

當然，目前的 AI 框架還無法成爲人類研究碳捕集的完美助手。GHP-MOFassemble 也存在一些需要改進的問題。

首先，在預模擬檢查中，UFF4MOF 可能無法涵蓋所有化學反應類型，因此某些具有特殊鍵合模式的 MOFs 結構可能被錯誤地排除或誤判爲有效結構。

而且，儘管使用了經過訓練的迴歸模型來預測 MOFs 結構的二氧化碳吸附性能，但模型的精確性受模型本身的限制，可能存在一定的誤差。此外，模型可能無法考慮到所有影響二氧化碳吸附性能的因素，比如孔隙結構的微觀細節。

另外，在分子動力學模擬中可能存在一些近似性，如模擬條件的選擇、模擬時間的長度等，這些因素可能會影響最終結果的準確性。

此外，基於統計力學的方法，GCMC 模擬結果可能受到模擬參數的選擇、計算方法的限制等因素的影響，對二氧化碳吸附性能的預測可能存在一定的誤差。

當然，由該 AI 框架篩選出來的 MOFs 的性能也還需要在實驗中進行驗證，才能確保其在實際應用中的可行性和穩定性。

儘管如此，隨着技術的不斷進步和研究的深入開展，AI 有望在材料設計、性能預測、優化和定製等方面帶來更多突破，推動 MOFs 的廣泛應用和進一步發展。

而且，這只是 AI 在氣候變化中可扮演的衆多角色之一。未來，AI 也必將在人類應對氣候變化的努力中扮演更重要的角色。

參考來源：

https://www.nature.com/articles/s42004-023-01090-2

https://www.eurekalert.org/news-releases/1034422