英语轻松读发新版了,欢迎下载、更新

AI查明有希望的材料,这些材料仅从空气中捕获

2025-06-30 16:33:39 英文原文

作者:by The Korea Advanced Institute of Science and Technology (KAIST)

News at KAIST
使用金属有机框架(MOF)的直接空气捕获(DAC)技术和碳捕获的概念图。MOF是有前途的多孔材料,能够从大气中捕获二氧化碳,引起人们的注意作为DAC技术的核心材料。信用:事情(2025)。doi:10.1016/j.matt.2025.102203

为了帮助防止气候危机,必须积极减少已经发出的COâ至关重要。因此,直接空气捕获(DAC)直接从空中提取的技术正在引起人们的注意。但是,由于空气中存在水蒸气(HâO),因此有效捕获纯co并不容易。

KAIST的研究人员成功使用了AI驱动的机器学习技术来识别最有希望的竞赛材料(MOFS),这是为该技术研究的关键材料类别。

该研究团队由化学与生物分子工程系的Jihan Kim教授领导,并与伦敦帝国学院的一个团队合作出版他们在期刊上的研究事情

发现的困难是由于结构的复杂性和预测的局限性。为了克服这一点,研究团队开发了一个机器学习力领域(MLFF),能够准确预测Coâ,Water(HâO)和MOF之间的相互作用。这种新方法允许以量子力学级别的准确度计算MOF吸附属性,其速度比以前要快得多。

使用此系统,该团队筛选了8,000多个实验合成的MOF结构,并确定了100多名有希望的候选者进行CO捕获。值得注意的是,这包括未被传统基于部队的模拟发现的新候选人。该团队还分析了MOF之间的关系以及吸附性能,提出了七个关键的化学特征,这些特征将有助于为DAC设计新材料。

News at KAIST
使用机器学习力场(MLFF)的吸附模拟的概念图。开发的MLFF适用于各种MOF结构,并通过预测重复的Widom插入模拟过程中的相互作用能来精确计算吸附性能。与传统的经典力场相比,它的特征是同时达到高精度和低计算成本。信用:事情(2025)。doi:10.1016/j.matt.2025.102203

这项研究被认为是DAC领域的重大进步,通过精确预测Mof-Coâ和Mof-H的相互作用,可以极大地增强材料设计和仿真。

更多信息:Yunsung Lim等人,加速CO2具有可转移的机器学习力场的金属有机框架的直接空气捕获筛选,事情(2025)。doi:10.1016/j.matt.2025.102203

期刊信息: 事情

引用:AI指出了有希望的材料,这些材料仅捕获空气(2025年,6月30日)检索2025年7月1日摘自https://phys.org/news/2025-06-ai-materials-capture-air.html

该文档具有版权。除了为私人研究或研究目的的任何公平交易外,没有未经书面许可,可以复制部分。内容仅用于信息目的。

关于《AI查明有希望的材料,这些材料仅从空气中捕获》的评论


暂无评论

发表评论

摘要

KAIST研究人员已经开发了一个AI驱动的机器学习力场(MLFF),以识别有希望的金属有机框架(MOFS),以直接捕获CO₂的直接空气捕获(DAC)。该方法准确地预测了Co₂,水蒸气和MOF之间的相互作用,而量子力学级别的精度比传统方法更快,但具有更快的计算速度。该团队筛选了超过8,000个MOF结构,确定了100多名有前途的候选人捕获,其中包括通过常规模拟发现的新材料。此进步可以增强DAC材料的设计及其模拟精度。