曼彻斯特大学利用深度学习技术优化金属有机框架研发新方法

金属有机框架（MOFs）作为一种新型的功能性材料，因其高度的结构可调性和广泛的应用潜力而备受关注。这些材料在气体储存、分离、催化和药物传递等领域展现出了无与伦比的性能。尽管近年来在合成技术上的进展使得已知的MOFs数量已经超过十万种，但在其广阔的化学空间中，还蕴藏着几乎无限的组合可能性。如何高效探索和优化这些组合，成为材料科学领域中的一项重大挑战。

英国曼彻斯特大学（University of Manchester）的研究团队针对这一挑战，采取了一种新颖的深度学习方法，名为“deep dreaming”，旨在通过虚拟空间的优化来加速MOFs的设计与研发。这种方法的核心在于其逆向设计的理念，即通过系统性生成更接近目标功能的MOF结构，从而提升材料的性能。

2025年5月26日，该团队在《Nature Communications》上发表了题为《Inverse design of metal-organic frameworks using deep dreaming approaches》的论文，详细阐述了这一研究成果。该论文表述了团队整合性质预测与结构优化的创新框架，通过专门的化学语言模型，针对碳捕获和能源存储应用中的重要特性进行探索。

在传统的高通量计算筛选（HTCS）方法中，研究人员通常会基于已有材料的特性进行预测。这种方法面临由于已知材料的局限性而导致的偏差问题。为解决这一难题，曼彻斯特大学的研究团队提出了一种显著扩展材料潜在选择的新策略。通过在HTCS中引入深度学习模型，团队能够在合成材料时考虑到更加广泛的MOF组合。

具体该团队的技术使用标记数据训练机器学习模型，以预测分子的属性。借助“inceptionism”技术，研究人员能够反转机器学习架构，从而对输入进行调整，直至达到目标属性值。在这个过程中，模型创造出了新的分子结构。这一过程不仅扩展了材料候选池，还赋予了模型良好的可解释性，使得研究人员能够理解各个分子特征在预测中所起的作用。

为了实现对MOFs的逆向设计，团队参考了前人的MOF识别方案，将其化学结构字符串划分为三类：第一类使用Group SELFIES字符串来描述关键化学亚结构，如功能基团和芳香环；第二类使用SELFIES字符串描述化学结构；第三类则利用RCSR代码来表达MOFs的某些拓扑特征。尽管这些表达方式在特征表达能力上可能无法与基于结构的模型相抗衡，但却能够通过简单的字符串操作高效探索性质空间。

在模型架构方面，研究团队采用了PyTorch（版本2.2.1）开发了适用于复杂序列到回归任务的机器学习网络，结合了长短期记忆（LSTM）网络与自注意力机制。自注意力机制的引入，使得模型能够聚焦于与当前回归任务最相关的输入序列部分，从而提高了预测的物理可解释性。

在优化过程中，研究团队以比表面积（VF）作为单个MOF的实验指标。通过观察比表面积与MOF功能之间的紧密相关性，研究人员希望在模型训练中发现相似的优化策略。为了进一步探索，模型的目标是在不断迭代中最大化MOF的比表面积，同时进行小范围的分子结构调整。

在每次迭代中，基点MOF不断被调整为具有更高孔隙空间的结构，尽管各次实验的调整路径可能不同，但整体的设计策略始终保持一致。这一过程在局部优化的基础上，寻求全局最优解，以实现更高效的材料设计。特别是针对比表面积问题的探索，团队发现了“连接体越长，比表面积越高”的普遍规律，这为未来更深入的实验提供了了理论支持。

值得一提的是，尽管该方法在功能性和多样性上有所限制，但其通过较少的训练数据实现了约95.5%的有效性和99.4%的唯一性，展示出了优越的性能。研究团队认为，通过模仿模型提议的优化策略，可以推导出一系列有价值的设计规则，从而加速材料的创新研发。deep dreaming方法在科学发现和理解的双重目标上发挥了重要作用，有助于揭示人工智能背后的“黑箱”，推动更加可解释的人工智能技术进步。

曼彻斯特大学的这项研究不仅为MOFs的开发提供了新的思路，还在深度学习与材料科学的交叉领域展示了巨大的应用潜力，有望引领未来材料研究进入一个崭新的时代。