Vorhersage der MOF‐Synthese durch automatisches Data‐Mining und maschinelles Lernen
-
chair:
Luo, Y. / Bag, S. / Zaremba, O. / Cierpka, A. / Andreo, J. / Wuttke, S. / Friederich, P. / Tsotsalas, M. (2022)
-
place:
Angewandte Chemie, 2022, 134, 19, e202200242
- Date: März 2022
-
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.
