在线分析工具，预测MOF机械性能

金属-有机框架（MOF）化合物在化学、材料界早已是大名鼎鼎的存在，由于具有巨大的比表面积与可控的多孔性结构，它在储存、分离一些重要物质方面被寄予厚望。研究者目前正试图利用这种小小的纳米材料解决储氢问题、分离污染水体中的有害物质或是在干旱缺水的地区从空气中分离出水分。在一部分人眼中，MOF之于21世纪相当于塑料之于20世纪。在微观层面，MOF绝对是当今“最能打的选手”之一，这一点已经被无数的SCI论文证明。然而到了实际应用领域，粉末状或是在溶液中混悬的MOF必须被处理成具有一定机械强度的块状、片状才具有进一步应用的潜能，那么问题就产生了——哪些MOF的被加工潜能比较好呢？

近期，Cell Press旗下的材料学刊物Matter 刊登了一项来自英国剑桥大学的研究，很好地回答了这个问题。这篇论文基于机器学习算法发布了一个免费的在线分析工具，可以展现目前已经被合成出的3000余种MOF的机械性能，并预测可能存在但尚未被合成的MOF的相关性质。也就是说，这项研究开发出了一个MOF界的“基因筛查”工具——在还没被“搬砖工”合成之前就能判断这届MOF能不能打！

多孔性与精巧有序晶体构型，对于MOF来说就是硬币的两面——它们让MOF这种材料脱颖而出，也决定了一些MOF最终无法被实际应用。多孔性好的MOF往往机械性能较差，容易发生结构坍塌与变性；多孔性差的MOF则很难实现高效的吸附，过差则失去使用的意义。在David Fairen-Jimenez博士的领导下，该课题组首先根据目前已知的14种有机配体与28种节点，列出了3385种候选MOF，并根据这些配体与节点在构成晶体时的结构，对这些MOF的拓扑结构进行分类，一共分成了41个大类。

MOF中一般使用到的配体与节点的化学结构。图片来源：Matter

在细致分类的基础上，该研究对结构与稳定性的关系进行了研究。其中结构主要通过最大腔直径（LCD）来衡量，而LCD进一步地与孔隙容积、孔隙率、比表面积、密度等有关。而稳定性主要通过体积弹性模量（K）来考察。结果发现，所有K在30 GPa以上的MOF，LCD都小于30 Å，说明强度较高、可以经受得起30 GPa压力处理的MOF孔径都无法超过30 Å这个限度；而对于LCD小于20 Å的MOF，它们的K分布在0 - 140 GPa的范围内，说明对于这些MOF，除孔径以外，拓扑结构是影响机械强度的重要因素。比如，pth与spn拓扑结构的MOF不论孔径大小，都具有较低的K值；而fcu（如UiO-66）、reo（DUT-51）、ftw（NU-1100）结构的MOF，则能够展现出较高的机械强度。在各种结构中，具有ith结构的DUT-78在所有种类中几乎是机械强度最高的，几乎接近化学实验中防止爆沸的沸石。

最大腔直径（LCD）与体积弹性模量（K）之间的关系。不同拓扑结构用相应颜色的点标出。图片来源：Matter

虽然上图总结了各种拓扑结构下，MOF的LCD与K的关系，但是这显然不是问题的全貌。研究组编写了一个免费的网页 ^[1]，从15个叙述元、五个维度上展示了3000余中MOF的结构与强度的关系，并提供了一个建议的视频教程。下面的视频是官方教程，只要你大概了解MOF的组成与构型，对于各个物理量有一定了解，使用起来还是比较简单的。

接下来，研究者分析了linker的长度、最大配位数、比表面积等参数对MOF机械性能的影响，并用人工神经网络（artificial neural network）——一种机器学习算法对这些数据进行分析，得到了一套能够运算处理得到MOF机械性能的算法。结果显示当不考虑拓扑结构时，算法的准确度较低，R²仅为0.70；而当拓扑结构纳入考虑后，算法的准确度将会大大提升，R²达到惊人的0.98。利用该算法，还可以实现对于各种MOF在失去晶体结构时的压力，并总结出在一定拓扑结构下，不同linker对机械性能的影响。

算法用于预测MOF机械性能的准确度分析。图片来源：Matter

本研究也对计算的原理与方法进行了探讨，但是对于化学研究者来说可能比较难懂，这里就不仔细探讨了。从我们的角度来讲，该研究最大的意义在于提出了一整套方法，帮助化学研究者根据自己的工作目的选择合适的MOF，并简单地预测新合成的MOF的宏观可加工性。这相当于在MOF的基础研究领域与化工应用领域架起了一座免费通行桥梁，可以大大推进这种材料的实际应用。建议做MOF研究的科研小伙伴们好好研究一下这个网络工具，一方面可以帮助自己重新认识自己正在进行的课题，另一方面说不定可以挖掘出什么有趣的数据，做个化学信息学方面的研究，完成不做实验就发SCI的梦想。

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

Structure-Mechanical Stability Relations of Metal-Organic Frameworks via Machine Learning

Matter, 2019, DOI: 10.1016/j.matt.2019.03.002

参考资料：

1.http://aam.ceb.cam.ac.uk/mof-explorer/mechanicalproperties

（本文由BingzzZ供稿）