金属有机框架(MOFs)由于具有高比表面积、高孔隙率、可调节孔径、化学多样性等优点，在吸附、催化、传感器等领域具有巨大的应用潜力。当其用于气体分离和催化时，扩散速率往往对工艺的整体速率有显著影响，因此确定MOFs内分子扩散速率具有重要意义。目前已有大量MOFs被设计、合成和预测，实验测量所有MOFs的扩散速率具有相当大的难度。虽然分子动力学模拟技术可以弥补实验的某些不足，但其仍需较大的算力和时间。作为替代方案，机器学习具有更高效、更准确的优势。

团队利用分子模拟结果与机器学习相结合，建立了一个可快速准确预测分子在多孔晶体材料中的扩散性能的机器学习模型，并结合Shapley Additive Explanations技术挖掘了MOFs特征、待分离气体特征与扩散性能之间的构-效关系；同时基于训练后的 LGBM模型开发了一款软件，以协助工作者计算分子在多孔晶体材料中的扩散性。（访问链接：https://github.com/guoshuya1234/Pred_D_software.git）该工作为探索MOFs的结构-性质关系和实现分子扩散系数的快速计算提供了新的方向。

该研究工作获得了国家自然科学基金、广东省青年拔尖人才计划、广东省自然科学基金和中国博士后科学基金的支持。

原文链接：

https://onlinelibrary.wiley.com/doi/10.1002/advs.202301461