储氢、导热、储气、二氧化碳和水封存——金属有机骨架(MOF)具有非凡的性能，因为它们具有独特的微孔晶体结构，尽管体积小，但表面积却非常大。这使得它们在研究和实际应用方面极具吸引力。然而，MOF是非常复杂的系统，到目前为止，需要大量的时间和计算能力才能准确模拟。

现在，由格拉茨技术大学(TUGraz)固体物理研究所的EgbertZojer领导的团队利用机器学习显著改进了这些模拟，从而大大加速了新型MOF的开发和应用。研究人员已在npj计算材料上发表了他们的方法。

以前用量子力学方法的精度进行模拟是不现实的

“为了模拟MOF的某些特性，必须模拟巨大的超级单元。例如，这适用于计算MOF中的热传导，这与几乎所有应用都高度相关，”EgbertZojer在描述必须解决的挑战时说道。

“模拟的超级细胞通常包含数万甚至数十万个原子。对于这些巨大的系统，需要求解五百万到一千万次运动方程。这远远超出了当今使用可靠量子力学方法的计算能力。”

因此，到目前为止，通常使用基于实验参数化的可转移力场进行此类计算。然而，用这种力场得到的结果通常不够可靠。

现在，通过使用机器学习势能，这一情况得到了根本性改变。这些势能通过利用新开发的现有算法(包括维也纳大学开发的方法)的相互作用，适应量子力学模拟。对于必要的特定材料机器学习势能，量子力学模拟仅需针对相对较少且明显较小的结构进行。

因此，计算速度提高了几个数量级，现代超级计算机可以对巨大超级单元中的力进行数百万次模拟。与使用量子力学方法进行模拟相比，这里的关键优势在于准确度没有损失。

更高效地搜索所需房产

以MOF的热传导为例，这意味着新开发的模拟策略将使得在MOF合成之前模拟相关材料特性成为可能，从而让研究人员能够在计算机上可靠地开发定制结构。

这代表了复合材料研究的一大飞跃，例如，对于热传输，这将使研究人员能够优化金属氧化物节点和半导体有机连接体之间的相互作用。使用新的模拟策略也将使克服复杂挑战变得更加容易。例如，MOF必须具有良好或较差的热导率，具体取决于其应用。

例如，氢存储系统必须能够很好地散热，而在热电应用中，良好的电传导应与尽可能低的散热相结合。

除了模拟热导率外，新的机器学习势能还非常适合计算MOF的其他动态和结构特性。这些特性包括晶体结构、弹性常数以及振动光谱和声子，它们对MOF的热稳定性及其电荷传输特性起着决定性的作用。

“我们现在拥有的工具非常高效，可以为我们提供可靠的定量数据。这使我们能够在模拟中系统地改变MOF的结构，同时知道模拟的属性是准确的。这将使我们能够基于因果关系了解原子结构的哪些变化会产生所需的效果，”EgbertZojer说，他知道尽管新模拟策略最近才发布，但慕尼黑和拜罗伊特的研究小组已经采用了它。