Vorhersage der MOF‐Synthese durch automatisches Data‐Mining und maschinelles Lernen**

Yi Luo, Saientan Bag, Orysia Zaremba, Adrian Cierpka, Jacopo Andreo, Stefan Wuttke, Pascal Friederich, Manuel TsotsalasAngewandte 2022 · DOI

Abstract

Abstract Trotz großer Fortschritte auf dem Gebiet der metallorganischen Gerüststrukturen (MOF) ist das volle Potential des Maschinellen Lernens (ML) für die Vorhersage von MOF‐Syntheseparametern bisher noch nicht erschlossen. In diesem Beitrag wird dargestellt, wie Methoden des ML für die Rationalisierung und Beschleunigung von MOF‐Entwicklungsverfahren eingesetzt werden können, indem die Synthesebedingungen der MOFs direkt anhand ihrer Kristallstruktur vorhergesagt werden. Unser Ansatz stützt sich auf: i) die Erstellung der ersten MOF‐Synthese‐Datenbank durch automatische Extraktion der Syntheseparameter aus der Fachliteratur, ii) das Trainieren und die Optimierung von ML‐Modellen mit Daten der MOF‐Datenbank und iii) die ML basierte Vorhersage der Synthesebedingungen neuer MOF‐Strukturen. Schon jetzt übertreffen die Ergebnisse der Vorhersagemodelle die Vorhersagen menschlicher ExpertInnen, welche in einer Befragung ermittelt wurden. Die automatisierte Synthesevorhersage ist über ein Web‐Tool unter https://mof‐synthesis.aimat.science verfügbar.
BibTeX
@inproceedings{luo2022vorhersage,
  author = {Yi Luo and Saientan Bag and Orysia Zaremba and Adrian Cierpka and Jacopo Andreo and Stefan Wuttke and Pascal Friederich and Manuel Tsotsalas},
  title = {{Vorhersage der MOF‐Synthese durch automatisches Data‐Mining und maschinelles Lernen**}},
  booktitle = {Angewandte},
  year = {2022},
  doi = {10.1002/ange.202200242},
}

Loading related content...

Figure