表征复合物、材料中金属中心的氧化态有助于对化学键合、材料性质进行理解,化学工作者发展了基于电子计数规则(electron-counting rules)的一些理论方法预测元素的化学价态,但是这些理论无法预测MOF等非传统晶体材料体系中的元素化学价态。有鉴于此,洛桑联邦理工学院Berend Smit等报道通过对剑桥结构数据库(CSD)中的化学结构进行训练,得出机器学习模型,对MOF材料的金属离子氧化态进行预测。通过这种方法,作者能够对实验中不明确的质子化、非结合性溶剂分子、键长的改变情况,该方法给出了比较准确的结果,而且能够指认CSD数据库中一些可能的错误,展示了将机器学习作为一种有用的手段。
参考文献
Jablonka, K.M., Ongari, D., Moosavi, S.M. et al. Using collective knowledge to assign oxidation states of metal cations in metal–organic frameworks. Nat. Chem. (2021).
DOI: 10.1038/s41557-021-00717-y