多孔材料被广泛应用于各种领域，特别是用于精细化学品的储存、分离和催化。合成、表征、以及合成前和合成后的计算机模拟仿真通常都是零星地和临时地进行的。虽然高通量方法在多孔材料领域已经使用了30多年，但是常规的实验和计算过程的集成现在才更加成熟。

有鉴于此，伦敦大学学院Ben Slater等人，重点介绍了与多孔材料相关的高通量方法的关键发展。具体来说，专注于沸石材料，金属有机框架（MOF）和共价有机框架（COF）领域的发展。尽管从表面上看，这些类型的材料几乎没有共通之处，但存在诸如拓扑之类的结构联系，这些联系考虑了高通量方法之间的对比。

本文要点

1）该综述中所讨论的材料的典型合成需要几个小时，而通常用于此类预测的模型(基于DFT的仿真、FF仿真和DFT训练/机器学习模型)无法使用此时间尺度。在改进模型方面，机器学习方法的出现是从越来越大的，越来越多的具有越来越可靠的DFT数据的数据库中学习而来的，应该确保模型具有变得越来越强大的潜力。

2）对于模拟和分析，还有更大的空间来提高互操作性和准确性。任何计算机模型都必然是对实验条件的简化，因此对实验结果的整合为评估当前模型的稳健性和完善模型提供了宝贵的数据。物理实验是对模型预测能力的最终检验，一方面，实验可能会揭示出模型参数化方面的不足。这些不足可能导致对热力学基态的错误预测，但经过充分的训练，一个有用的模型应该是可信的并且可以准确的预测。然而，物理实验的一个更加微妙和复杂的方面是它探索反应的动力学方面。

3）强调了良性循环的发展趋势，其中：1）进行计算机模拟屏幕以识别潜在的合成候选材料，2）快速进行实验，3）将实验结果传递回去仿真算法，以决定如何修改实验或化学计量并改进选择的特性，并且该循环一直持续到满足某些目标条件为止。

参考文献：

Ivan G. Clayson et al. High Throughput Methods in the Synthesis, Characterization, and Optimization of Porous Materials. Advanced Materials, 2020.

DOI: 10.1002/adma.202002780

https://doi.org/10.1002/adma.202002780