研究人员利用机器学习来预测某些材料在合成之前将如何起作用 - 在为下一代应用开发材料时节省时间和资源。在开发新材料时，了解它们如何提前执行以评估其在各种应用中的效用以及避免浪费宝贵的时间和资源总是有帮助的。现在，剑桥大学的一个工程师团队已经应用机器学习来协助在材料合成之前预测材料的性质。由剑桥大学化学工程与生物技术系的David Fairen-Jimenez教授领导的研究人员将他们的研究专门应用于金属有机框架(MOFs)，科学家们认为这些化合物因其广泛的用途而对未来的应用具有很大的希望。从沙漠中的空气中提取水，储存危险气体，甚至为氢动力汽车提供动力。

使用自定义机器学习算法，Fairen-Jimenez和他的团队能够预测超过3,000个现有MOF的特征，以及尚未在实验室中创建的MOF。通过应用这种方法，研究人员可以分析现有的和非合成的MOF，以确保只生产那些具有必要机械稳定性的MOF。

Atlantic Design&Manufacturing是东海岸领先的设计工程师贸易展，提供最新的3D打印，自动化和CAD / CAM软件，包括FedEx，GE Appliances，Procter&Gamble以及其他数百种软件。

剑桥团队的机器学习算法是与美国和比利时的科学家共同开发的，它使用多层次计算方法预测MOF的机械特性，以便建立MOF结构和机械景观的交互式地图。 。

“我们现在能够同时解释所有材料的景观，”Fairen-Jimenez说。“通过这种方式，我们可以预测给定任务的最佳材料。”

MOF是由自身组装的3D化合物，由连接的金属和有机原子组成。它们与塑料类似，因为它们是多功能的，可以定制成无数种不同的组合，以形成不同用途的不同材料。

然而，在结构上，它们与塑料完全不同。MOF具有有序的晶体结构，可在所有方向上生长，而塑料则基于长链聚合物，仅在一个方向上生长。

这种结构使MOF比塑料更具优势。例如，可以将单个原子或分子切换进出，这样它们就可以像积木一样制成。MOF还具有巨大的表面积 - 例如，平坦的糖立方体大小的MOF将覆盖六个足球场的大小。

此外，研究人员表示，这些材料的多孔性使得它们可以通过改变积木来定制为不同分子的储存袋，增加了它们的多功能性。

Fairen-Jimenez和他的团队对MOF的多孔性特别感兴趣。“MOFs如此多孔，使得它们适用于各种不同的应用，但同时它们的多孔性使它们非常脆弱，”他解释道。

Fairen-Jimenez的团队开始着手解决以粉末形式合成MOF的挑战，这是科学家开发材料的典型方式。然而，必须将粉末置于压力下以形成更大形状的颗粒以用于任何用途的材料，由于MOF的孔隙率，导致其中许多颗粒在此过程中被压碎 - 浪费时间和投资。

剑桥研究人员还推出了一个互动网站，以便其他研究人员可以设计和预测他们自己的MOF的表现。

“它允许研究人员使用他们需要的工具来处理这些材料;它简化了他们需要提出的问题，“Fairen-Jimenez说道。