吸附
预测精度高达0.98，清华、深势科技等提出基于Transformer的MOF材料多功能预测框架
编辑 | X气体分离对于工业生产和环境保护至关重要，金属有机框架（MOF）由于其独特的性能而成为气体分离领域一种有前途的材料。传统的模拟方法，如分子动力学，复杂且计算量要求高。虽然基于特征工程的机器学习方法表现更好，但由于标记数据有限，很容易出现过度拟合。此外，这些方法通常是针对单一任务而设计的。为了应对这些挑战，由清华大学、加州大学、中山大学、苏州大学、深势科技和北京科学智能研究院（AI for Science Institute，Beijing，AISI） 组成的多机构团队，合作提出了 Uni-MOF，一种用于
各种尺寸、形状都适用，图卷积神经网络探索金属纳米粒子的电化学稳定性
编辑 | 绿萝表面普尔贝图（Pourbaix diagram），也称电位-pH 图，对于了解纳米材料的电化学稳定性至关重要。然而，其基于密度泛函理论的构建对于真实规模的系统（例如几个纳米级纳米粒子）来说过于昂贵。在此，为了加速吸附能的准确预测，来自韩国科学技术院 （KAIST）和韩国科学技术研究院（KIST）的研究团队开发了一种键型嵌入式晶体图卷积神经网络（Bond-type Embedded Crystal Graph Convolutional Neural Network，BE-CGCNN）模型，该模型对四种
- 1