【文献阅读】当代MOF与机器学习
2025年诺贝尔物理学奖授予了约翰·克拉克（John Clarke）、米歇尔·德沃雷（Michel H. Devoret）和约翰·马蒂尼斯（John M. Martinis），以表彰他们在电路中实现宏观量子力学隧穿效应和能量量子化的贡献。
当地时间10月7日，瑞典皇家科学院决定将2025年诺贝尔物理学奖授予科学家约翰•克拉克、麦克•H•德沃雷特、约翰•M•马蒂尼，以表彰他们“发现电路中的宏观量子力学隧道效应和能量量子化”。获奖者将平分1100万瑞典克朗（约合836万元人民币）奖金。
约翰•克拉克，1942年出生于英国剑桥。1968年获得英国剑桥大学博士学位。美国加州大学伯克利分校教授。
米歇尔•H•德沃雷特，1953年出生于法国巴黎。1982年法国巴黎南大学博士。美国康涅狄格州纽黑文耶鲁大学和加州大学圣巴巴拉分校教授。
约翰•M•马蒂尼斯，生于1958年。1987年美国加州大学伯克利分校博士。美国加州大学圣巴巴拉分校教授。
诺贝尔物理学奖是根据诺贝尔1895年的遗嘱而设立的五个诺贝尔奖之一，旨在奖励那些对人类物理学领域里作出突出贡献的科学家。该奖项于1901年首次颁发，由瑞典皇家科学院负责评选。
2025年诺贝尔化学奖授予开发出拥有无数微小孔洞的金属有机框架（MOF）的日本科学家北川进、澳大利亚科学家理查德·罗布森和美国科学家奥马尔·亚吉。诺贝尔化学奖委员会主席海纳·林克称，“MOF具有巨大潜力，能为具有新功能的定制材料带来前所未有的机遇”。据市场研究和咨询服务公司MNM测算，2024年MOF市场规模为0.51亿美元，2030年预计将达到17亿美元，复合年增长率将达到22.1%。
当地时间10月8日，瑞典皇家科学院宣布将2025年诺贝尔化学奖授予北川进、理查德•罗布森和奥马尔•M•亚吉，以表彰其“在金属有机骨架领域的贡献”。获奖者将平分1100万瑞典克朗（约合836万元人民币）奖金。
评委会认为，获奖者开发了一种新型分子结构。他们创造的结构——金属有机框架——包含大空腔，分子可以在其中流入和流出。研究人员用它们从沙漠空气中收集水，从水中提取污染物，捕获二氧化碳并储存氢气。
北川进，1951年出生于日本京都。1979年获得日本京都大学博士学位，现为日本京都大学教授。北川进从事多孔性配位聚合物（PCP）及金属有机框架（MOF）研究，他继藤田诚（1994年）及奥马尔•亚吉（1995年）后，于1997年发现配位聚合物结构具有气体吸附性能。
理查德•罗布森，1937年出生于英国格鲁斯本。1962年获得英国牛津大学博士学位，现为澳大利亚墨尔本大学教授。20世纪90年代，罗布森创造了一类新的配位聚合物，引领了一个全新的化学领域。
奥马尔•M•亚吉，1965年出生于约旦安曼。1990年，美国伊利诺伊大学厄巴纳-香槟分校博士，现为美国加州大学伯克利分校教授。亚吉开创了网状化学领域，涉及通过强键将分子构建块缝合在一起以形成开放的框架。他最知名的工作是MOF的设计、合成、应用和普及。
诺贝尔化学奖是根据诺贝尔1895年的遗嘱而设立的五个诺贝尔奖之一，旨在奖励在化学领域作出最重要发现或发明的科学家。该奖项于1901年首次颁发，由瑞典皇家科学院负责评选。自1901年以来，诺贝尔化学奖共颁发了117次。
金属有机框架是一种多孔高分子材料，其中金属离子通过有机分子以规则的重复模式相互连接，形成三维网络结构。在金属节点与连接它们的分子之间存在巨大的空腔，使材料具有高度多孔性。
2017年，亚吉表示，仅一克MOF的内部表面积就相当于两个橄榄球场。这使得金属有机框架比沸石和介孔二氧化硅等其他多孔材料具有更强的吸附能力，被称为“分子海绵”。
通过使用不同金属并改变有机连接体的类型和长度，可以调节金属有机框架的结构，使其孔隙变大或变小，或增强其结合特定客体分子的能力。这意味着，它们可用于气体存储、各类过滤或碳捕集与封存（CCS）等领域。
自1989年罗布森首次合成MOF后，该领域便呈现爆发式增长，每年有数千种新型MOF结构问世。过去20年，MOF的应用价值日益凸显。
应用方向
英国皇家化学学会表示，虽然MOF的合成存在产量低、成本高、条件苛刻等因素，且合成后在高温、水环境、酸或碱性等条件下的长效稳定性不佳，限制了其在工程实践中的应用，但未来仍具有极大的市场应用潜力。
MOF可应用于目前难以减排脱碳的行业，可在CCS技术中作为高选择性过滤器，在氮气、水蒸气等其他气体存在的情况下快速吸附二氧化碳。其核心优势在于滤材可在几分钟内完成再生，与现有技术相比能耗更低。
MOF可以减少化学品生产过程中的碳足迹，作为重要化工原料的丙烯可通过基于MOF的膜技术从丙烷中分离，生产聚合物级丙烯。瑞士初创企业UniSieve表示，相比传统蒸馏工艺，其分子筛膜技术可将丙烯或丙烷分离过程的能耗降低约90%。利用MOF开发替代性分离技术，以取代或补充现有系统从而降低能耗。
定制化的MOF可以选择性分离化学物质，适用于直接锂提取（DLE）技术，而这是传统锂分离方法的替代方案。国际能源署（IEA）预测，到2030年，全球锂需求将超过70万吨，而预期供应量仅能满足约70%的需求。此外，据英国市场咨询公司IDTechEx预测，2026年起，锂矿将出现供应缺口。因此，实现矿产供应链的多元化至关重要。近年来，美国能源公司EnergyX用MOF制作膜材料，开发专有的模块化锂离子传输与分离技术。目前，该公司已与通用汽车合作，研发直接锂提取与精炼技术，并推动其商业化进程。
MOF能拓宽可回收制冷剂的范围，并降低制冷的高能耗。氟碳制冷剂的全球变暖潜能值比二氧化碳高数百至数千倍。根据《〈关于消耗臭氧层物质的蒙特利尔议定书〉基加利修正案》，到2036年，必须大幅削减氢氟碳化物制冷剂的生产。为此，制冷剂及暖通空调设备制造商正积极推动制冷剂的回收利用。目前研发基于MOF的分离技术，能实现沸点差异微小的氟碳制冷剂分离，这是蒸馏等传统分离方法无法实现的。
此外，MOF还可以作为降低制冷能耗的媒介。国际能源署预测，随着新兴市场和发展中经济体对空调需求的持续增长，到2050年，制冷能耗将翻倍。为缓解发电和基础设施压力，亟须开发更高能效的空调系统。例如，加拿大蒙大拿科技公司正将AirJoule技术投入商业化应用，利用MOF制成涂层铝接触器，可集成于暖通空调系统和大气水收集系统，彻底告别制冷剂。该公司宣称，其技术可降低约75%的电力消耗。2024年3月，蒙大拿科技公司宣布，将与巴斯夫和宁德时代等合作伙伴共同推进该技术的商业化进程。
我国MOF的应用也越发广泛。据新京报报道，广东碳语新材料公司在珠海金湾区实现了MOF的规模化量产，已开发出40余款MOF产品，竞争力目前处于全球第二梯队；岳阳兴长是我国唯一实现MOF材料百吨级量产的企业，其MOF材料作为固态电池电解质已向宁德时代送样并进入装车测试阶段；特种环氧树脂（MOF衍生材料）已用于华为、三星的芯片封装胶黏剂。此外，据无锡日报报道，由无锡新储材料科技公司投产的百吨级MOF材料生产线年底将投产。
对于理论计算MOF的发展
https://doi.org/10.1016/j.ccr.2023.215112
金属有机框架 （MOF） 的网状化学可以产生几乎无限数量的材料，其中一些可以替代各种领域中传统使用的多孔材料，包括气体储存和分离、催化、药物储存和输送。MOF 的数量及其潜在应用增长如此之快，以至于当合成新的 MOF 时，针对所有可能的应用对其进行测试是不切实际的。基于材料分子模拟的高通量计算筛选方法已被广泛用于研究 MOF 并确定特定应用的最佳 MOF。尽管计算资源不断增长，但鉴于巨大的 MOF 材料空间，有前途的 MOF 的计算识别需要在时间和精力方面采用更有效的方法。利用数据驱动的科学技术可以提供关键优势，例如通过建立机器学习 （ML） 模型来加速 MOF 设计和发现路径，以及解释超出专家直觉的复杂结构-性能关系。在这篇综述中，我们提出了推动 MOF 计算建模的关键科学突破，并讨论了从分子模拟扩展到 ML 算法的最新方法。最后，我们就大数据驱动的 MOF 设计和发现的未来潜在机遇和挑战提供了我们的观点。
一个比较热的话题是 机器学习*MOF
使用分子模拟和 DFT 计算的 HTCS 方法对于加速新型 MOF 的设计具有开创性意义。然而，由于MOF的数量庞大且不断增长（即MOF中的药物负载、MOF中的大分子分离以及需要量子化学模拟的材料特性，如带隙能量和电荷密度），使用基于GCMC、EMD或DFT的计算对每种材料进行计算的传统筛选方法可能不切实际.这促使了ML方法的使用，通过这些方法可以为大量材料建立准确的预测模型。
ML模型的开发由控制模型准确性的四个主要组成部分组成：材料数据库的选择、材料的表示、目标数据的选择以及 ML 算法的选择。虽然为 ML 开发选择材料数据库似乎是一项简单的任务，但应注意选择无/最小结构错误的材料集，以便能够获得正确的输入和输出数据。ML 模型开发的另一个关键组成部分是材料特征化，其存在不同的表示形式，包括结构、化学、能量特征、琴弦和结构图像。
作为第三个组成部分，MOF的目标属性（例如气体吸收或体积属性）被用作 ML 模型中的输出数据。输入和输出数据可以通过不同的方式收集/生成，例如文本挖掘文献、执行分子模拟、进行实验或组合部分/全部。ML模型开发的最后一个组成部分是选择对预测准确性有很大影响的算法。
a） 基于主成分分析（PCA）的示例性等网和全局优化设计过程的比较示意图所示。（b）
在等网状设计过程中，受ftw拓扑和Zr约束6O8H4（首席运营官）12节点，起始MOF为NU-1104，发现的MOF表现出显著的CO2摄取和无限选择性。（c）
在无任何约束的全局优化设计过程中，起始MOF为 MOF-5，发现MOFs表现出非常高的CO2摄取和高选择性。
其中结构特征是输入（材料性能是输出）的ML模型对于加速具有所需性能的材料发现非常有用。然而，由于可以生成的 MOF 结构数量庞大，通过此类ML模型泛化整个MOF空间仍然是一项艰巨的任务。前面还指出，基于不同MOF数据库建立的 ML 模型可能无法转移或无偏差。另一种方法是开发MOF逆向设计方法，其中所需的材料性能指标（或多个指标的组合）是输入而不是输出的一部分。Lim等将遗传算法和深度神经网络相结合，对Xe/Kr分离进行反向设计MOF。这种方法涉及将ML模型（通过由拓扑和构建块组成的 MOF 表示）拟合到模拟的 Xe/Kr选择性，并通过遗传算法生成候选结构，以实现用户指定的选择性和/或 Xe的亨利系数值。与随机生成的MOF相比，很大一部分基因构建的 MOF表现出所需的选择性，这表明可以通过这种方法消除低性能的结构。MOF也可以用阈值性能值进行逆向设计，以便可以设计出足够好的（就一个指标而言）MOF，并且可以在最终决定材料选择时考虑其他因素（稳定性、成本等）。原则上，MOF的逆向设计也可以在神经网络模型中使用山梨酸盐的所需吸附热作为目标值进行，这在早期对沸石进行了。研究还表明，H2MOF可用作 ML 模型中的描述符来预测可交付成果 H2在77K 时，量在100到2bar之间。
小结
近年来，计算建模在金属有机框架材料（MOFs）研究中取得了显著进展，涵盖从传统分子模拟到机器学习的多层次方法。传统方法方面，分子动力学（MD）和蒙特卡洛（MC）模拟通过优化定制力场（如UFF4MOF）和开发粗粒化模型，提升了气体吸附与扩散行为的模拟精度，而量子力学方法（如密度泛函理论，DFT）则深入揭示了MOFs的电子结构和吸附机制。与此同时，机器学习技术推动了研究范式的革新：图神经网络（GNNs）结合主动学习策略，实现了MOFs性能的高通量预测与虚拟筛选；生成模型（如VAE、GAN）支持逆向设计具有目标性能的拓扑结构，突破传统试错法的局限；多模态数据融合进一步整合实验与模拟数据，增强模型泛化能力。然而，该领域仍面临实验数据稀缺、机器学习模型可解释性不足以及跨尺度建模整合等挑战。未来需构建标准化MOF数据库、开发物理嵌入的可解释性算法、建立原子-介观-宏观统一框架，并通过自动化实验-计算闭环系统，加速MOFs从理性设计到实际应用的转化。