第一作者：陈培灿
通讯作者：汪骋、周达
通讯单位：厦门大学
研究亮点：
1. 用机器学习从SEM图片提取MOF纳米片厚度，分析MOF的合成规律。
2. 结合液体透射电镜和质谱，分析MOF合成溶液中的孤立团簇节点，并与产物结构关联。
3. 借助相图，设计分步合成序列获取不同形貌的MOFs。
MOF合成的挑战
金属-有机框架(MOF)是由分子单元构建而成的结晶多孔材料。合成化学与拓扑分析相结合可设计结构多样、功能丰富的MOF，展现了晶体工程的魅力。纳米尺寸MOF的形貌控制具有重要意义，但由于结晶动力学的复杂性及合成变量空间的高维性，可控的形貌设计仍充满挑战。传统的形貌调控主要凭借研究者的化学直觉或不断试错进行。如何提高材料研发的效率是当务之急！
数据科学的最新进展，如机器学习，可优化高维数据的收集和分析过程，挖掘数据中隐藏的知识，可能使MOF科学达到一个新的设计水平。
成果简介
近日，厦门大学化学化工学院汪骋课题组和数学学院周达课题组利用机器学习研究了由金属氧簇和线性二羧酸配体合成的纳米金属有机框架(nMOF)，发现配体溶解度和调控剂浓度可以定量预测具有特定形态的nMOF的生长，得到了二维超薄膜、六角形纳米片、八面体、长方体、凹八面体或空心八面体等不同形态。基于这些发现，他们用外延生长序列来设计不同的MOF纳米结构，增强底物运输，从而增加催化烯烃加氢的活性。这项工作展示了利用机器学习指导MOF和其他纳米材料合成的新机遇。
图1. 利用机器学习训练合成参数及SEM数据进而设计出不同形貌的MOFs。
要点1：利用“决策树”提取关键变量，基于“随机森林”绘制相图
在该工作中，作者首先利用“均匀布点法”在合成空间均匀地设计了合成数据点，紧接着利用“决策树“算法对合成数据进行训练并提取出两个关键的变量：水和甲酸浓度（图2B）；随后利用”随机森林“绘制相图（图2C），至此，作者已经获取了制备材料的“宝藏图”。
图2. 利用机器学习算法确定相图。
要点2：利用原位液体电镜和质谱检测到两种孤立的金属氧簇节点
原位液体电镜和质谱分析显示合成溶液中存在两种孤立金属氧簇节点：Hf12的次级单元结构（second building units ,SBUs）和Hf6次级单元结构（图3）。这侧面印证了Yaghi等人提出的“网络合成法（reticular synthesis）”的可行性；此外，通过对两种孤立金属氧簇节点的数据拟合，研究人员发现两种金属氧簇节点间的平衡与所生成MOF的物相和形貌高度相关。
图3. 通过原位液体电镜和质谱检测到合成溶液中的次级单元结构。
要点3：利用神经网络算法提取纳米片厚度信息
为了制备超薄的纳米材料，作者测量了超过1500张扫描电镜图像，利用识别算法中的Mask-RCNN对扫描电镜数据进行提取分析（图4），得到不同合成条件下的纳米片厚度，总结规律，最终确定了制备金属有机单层的条件。
图4. 利用Mask-RCNN算法分析SEM。
要点4：设计分步合成序列获取不同形貌的MOFs
基于对相区的认识，作者设计不同的分步合成序列制备了复杂形貌的中空八面体和内凹八面体（图5），并把不同形貌的MOFs用于烯烃加氢反应。
图5. 设计不同的分步合成序列制备多种形态MOFs。
小结
综上所述，作者通过训练机器学习模型，代替化学家的“化学直觉”，从而加速了纳米金属有机框架的合成研究。
参考文献
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
