精品国产乱码久久久久久口爆,办公室丰满秘书bd正在播放,麻花豆传媒剧国产mv免费版特色

盡管金屬-有機骨架（MOF）的定制金屬活性位點和多孔結構在從氣體分離到催化等工程挑戰方面具有廣闊的前景，但缺乏對如何提高其穩定性的了解限制了它們在實踐中的應用。

在此，麻省理工學院Heather J. Kulik等人從文獻中提取了數以千計的關于 MOF穩定性關鍵方面的報告，承受高溫而不降解的能力以及通過去除溶劑分子活化而不崩潰的能力對于MOF的實際應用是必不可少的。

對穩定性與MOF化學和幾何結構之間關系的分析表明，從同一族中MOF衍生的現有啟發式模型難以實現更廣泛地應用。作者訓練了機器學習（ML，即高斯過程和人工神經網絡）預測模型，以基于圖和孔結構的表示來編碼熱穩定性和溶劑去除穩定性測量的結構-性能關系。這些訓練有素的模型預測速度比傳統的基于物理的建模或實驗快兩個數量級。

圖1. 本工作中使用的數據集的管理示意圖

最后，作者利用這些預測模型來確定設計MOF結構以提高其穩定性的策略。對用于催化但在加熱時不穩定的含3d過渡金屬MOF，接枝化學改性可以增加催化應用所需的熱穩定性。

然而，這些第一代機器學習模型的性能易受到限制，部分是因為機器學習模型本身，但主要是受文獻中提取的數據量限制。另一個潛在的問題是文獻報告數據中的錯誤是否會導致模型偏差，專家對文獻的審查有望提高數據集和模型的質量。

為此，作者在用戶友好的Web界面中提供了ML模型并從數據集中提取了特征，界面還支持上傳新MOF。作者希望該方法可以加速計算且縮短實驗研究人員發現穩定實用MOF材料的時間。

圖2. 高斯過程分類器模型預測穩定性

Using Machine Learning and Data Mining to Leverage Community Knowledge for the Engineering of Stable Metal-Organic Frameworks, Journal of the American Chemical Society 2021. DOI: 10.1021/jacs.1c07217

原創文章，作者：科研小搬磚，如若轉載，請注明來源華算科技，注明出處：http://m.zzhhcy.com/index.php/2023/10/15/1f0008818a/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

麻省理工學院JACS：機器學習+數據挖掘設計穩定的金屬-有機框架

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

麻省理工學院JACS：機器學習+數據挖掘設計穩定的金屬-有機框架

相關推薦