机器学习促进了分离，吸附和催化的材料
机器学习正在帮助加速金属有机框架的高度可调材料的开发，这些材料在化学分离，吸附，催化和传感中具有重要的应用。
利用有关200多个现有MOF属性的数据，对机器学习平台进行了培训，以通过预测一个经常必要的属性（水稳定性）来帮助指导新材料的开发。利用该模型的指导，研究人员可以避免耗时的合成工作，然后通过实验测试新的候选MOF的水稳定性，从而避免了耗时的工作。研究人员已经在扩展模型以预测其他重要的MOF属性。
在美国能源部的办公室基础能源科学计划的支持下，这项研究是在位于佐治亚理工学院的能源前沿研究中心的酸性气体诱导的能源材料演化的理解和控制中心中进行的。
水稳定性问题在这一领域已经存在很长时间了，没有容易预测的方法。无需为每个候选MOF进行合成和实验就可以弄清楚这一点，该机器学习模型现在提供了一种预测水稳定性的方法，并提供了一组所需的功能。这将真正加快识别新材料的过程。
MOF是一类多孔的晶体材料，由无机金属离子或与有机配体连接的簇合成。它们以易于调整的组件而闻名，可以为特定的应用定制这些组件，但是大量的潜在组合使得难以选择具有所需特性的MOF。
机器学习在材料科学中的作用越来越重要。
当材料科学家计划下一组实验时，我们将利用过去积累的直觉和见解。机器学习使我们能够以最有效和最有效的方式充分利用过去的知识。如果已经进行了200个实验，则机器学习使我们可以利用我们计划第201个实验时从中学到的所有知识。
除了实验数据外，机器学习还可以使用基于物理的模拟结果。与仿真不同，机器学习模型的结果可以是瞬时的。他指出，机器学习算法随着接收到更多信息而不断改进，无论是正面还是负面的结果都是有用的。伟大的发现与不那么令人兴奋的发现（失败的实验）一样重要，因为机器学习会利用频谱的两端来更好地发挥作用。
机器学习模型使用了沃尔顿的信息，她的研究团队从她自己的实验室开发的化合物以及其他研究人员报告的化合物中收集了数百种现有的MOF材料。为了准备可供模型学习的信息，她根据水稳定性的四个度量对每个MOF进行了分类。
用于建立模型的数百个数据点代表了多年的实验。我基本上花了我职业生涯的前半段时间来了解MOF的水稳定性问题，因此我们对此进行了广泛研究。
MOF社区是一个多元化的领域，具有多个子领域。并不是每个人都有化学直觉，即哪种材料的特性可以带来良好的框架稳定性，并且实验评估通常需要许多实验室可能没有或不需要的专用设备。但是，有了良好的预测模型，他们不一定需要开发它来选择用于特定应用的材料。这项功能可能会为更广泛的研究人员打开这一领域，从而可以加速应用程序开发。
尽管对水的稳定性进行筛查很重要，但兰普拉萨德说，这仅仅是该项目潜在收益的开端。的机器学习模型可以被训练为长的存在数据来预测其它性能的足够量。例如，该团队已经在教导他们的模型有关在不同压力水平下影响甲烷吸收的因素。在这种情况下，仿真将提供模型可从中学习的许多数据。
我们将有一个非常强大的预测因子，它将告诉我们新的MOF在含水条件下是否稳定并且是吸收甲烷的良好候选者。我们正在做的是创建一个通用且可扩展的机器学习平台，该平台可以在新属性上进行训练。只要有可用数据，该模型就可以从中学习并为新案例做出预测。