第一作者：陳培燦
通訊作者：汪騁、周達
通訊單位：廈門大學
研究亮點：
1. 用機器學習從SEM圖片提取MOF納米片厚度，分析MOF的合成規律。
2. 結合液體透射電鏡和質譜，分析MOF合成溶液中的孤立團簇節點，并與產物結構關聯。
3. 借助相圖，設計分步合成序列獲取不同形貌的MOFs。
MOF合成的挑戰
金屬-有機框架(MOF)是由分子單元構建而成的結晶多孔材料。合成化學與拓撲分析相結合可設計結構多樣、功能豐富的MOF，展現了晶體工程的魅力。納米尺寸MOF的形貌控制具有重要意義，但由于結晶動力學的復雜性及合成變量空間的高維性，可控的形貌設計仍充滿挑戰。傳統的形貌調控主要憑借研究者的化學直覺或不斷試錯進行。如何提高材料研發的效率是當務之急！
數據科學的最新進展，如機器學習，可優化高維數據的收集和分析過程，挖掘數據中隱藏的知識，可能使MOF科學達到一個新的設計水平。
成果簡介
近日，廈門大學化學化工學院汪騁課題組和數學學院周達課題組利用機器學習研究了由金屬氧簇和線性二羧酸配體合成的納米金屬有機框架(nMOF)，發現配體溶解度和調控劑濃度可以定量預測具有特定形態的nMOF的生長，得到了二維超薄膜、六角形納米片、八面體、長方體、凹八面體或空心八面體等不同形態。基于這些發現，他們用外延生長序列來設計不同的MOF納米結構，增強底物運輸，從而增加催化烯烴加氫的活性。這項工作展示了利用機器學習指導MOF和其他納米材料合成的新機遇。
圖1. 利用機器學習訓練合成參數及SEM數據進而設計出不同形貌的MOFs。
要點1：利用“決策樹”提取關鍵變量，基于“隨機森林”繪制相圖
在該工作中，作者首先利用“均勻布點法”在合成空間均勻地設計了合成數據點，緊接著利用“決策樹“算法對合成數據進行訓練并提取出兩個關鍵的變量：水和甲酸濃度（圖2B）；隨后利用”隨機森林“繪制相圖（圖2C），至此，作者已經獲取了制備材料的“寶藏圖”。
圖2. 利用機器學習算法確定相圖。
要點2：利用原位液體電鏡和質譜檢測到兩種孤立的金屬氧簇節點
原位液體電鏡和質譜分析顯示合成溶液中存在兩種孤立金屬氧簇節點：Hf12的次級單元結構（second building units ,SBUs）和Hf6次級單元結構（圖3）。這側面印證了Yaghi等人提出的“網絡合成法（reticular synthesis）”的可行性；此外，通過對兩種孤立金屬氧簇節點的數據擬合，研究人員發現兩種金屬氧簇節點間的平衡與所生成MOF的物相和形貌高度相關。
圖3. 通過原位液體電鏡和質譜檢測到合成溶液中的次級單元結構。
要點3：利用神經網絡算法提取納米片厚度信息
為了制備超薄的納米材料，作者測量了超過1500張掃描電鏡圖像，利用識別算法中的Mask-RCNN對掃描電鏡數據進行提取分析（圖4），得到不同合成條件下的納米片厚度，總結規律，最終確定了制備金屬有機單層的條件。
圖4. 利用Mask-RCNN算法分析SEM。
要點4：設計分步合成序列獲取不同形貌的MOFs
基于對相區的認識，作者設計不同的分步合成序列制備了復雜形貌的中空八面體和內凹八面體（圖5），并把不同形貌的MOFs用于烯烴加氫反應。
圖5. 設計不同的分步合成序列制備多種形態MOFs。
小結
綜上所述，作者通過訓練機器學習模型，代替化學家的“化學直覺”，從而加速了納米金屬有機框架的合成研究。
參考文獻
Chen, Peican, et al. Machine-Learning-Guided MorphologyEngineering of Nanoscale Metal-Organic Frameworks. Matter (2020)
DOI: 10.1016/j.matt.2020.04.021
https://doi.org/10.1016/j.matt.2020.04.021
