Сравнительный анализ энтропии двумерных тетра-гидрокси-хинонов переходных металлов с помощью методов машинного обучения

Почему важны новый материал и математика

Современные технологии для более чистой энергетики и улавливания углерода зависят от материалов, способных эффективно хранить, перемещать и преобразовывать молекулы. В этом исследовании рассматривается перспективный класс ультратонких пористых материалов — каркасы из тетра-гидрокси-хинонов переходных металлов (TM-THQ) — и задаётся простой, но ключевой вопрос: можно ли предсказать их внутреннюю устойчивость и поведение, опираясь лишь на то, как связаны их атомы, с помощью математики и методов машинного обучения вместо дорогостоящих лабораторных экспериментов?

Преобразование молекул в сети

Вместо того чтобы видеть TM-THQ как запутанную совокупность атомов, авторы рассматривают их как сеть: атомы превращаются в точки, а химические связи — в линии, соединяющие их. Такой подход, известный как химическая теория графов, позволяет описывать структуру при помощи чисел — топологических индексов, которые отражают, насколько плотными или разреженными являются соединения. TM-THQ — это двумерный металло‑органический каркас, состоящий из органических лигандов и атомов переходного металла, расположенных в повторяющемся листовом узоре с регулярными порами. Каждый повторяющийся блок содержит углерод, кислород и металлические центры в плоской пористой конфигурации, и эти блоки заполняют пространство в двух направлениях, образуя большую упорядоченную молекулярную сеть.

Измерение структуры простыми числами

Чтобы количественно охарактеризовать сеть TM-THQ, команда вычислила несколько классических индексов, которые химики и математики используют для связи структуры с такими свойствами, как температура кипения или устойчивость. Среди них индексы Загреба, отражающие, сколько связей «скопилось» вокруг каждого атома; индексы Рандиća, подчеркивающие ветвление; и другие меры, сравнивающие или комбинирующие связанность соседних атомов. С помощью символьных и численных инструментов в Python они вывели общие формулы, выражающие каждый индекс исключительно через количество повторяющихся блоков вдоль двух направлений листа. По мере увеличения размера листа все эти индексы возрастали по регулярным законам, что отражает более протяжённую и взаимосвязанную структуру каркаса.

От порядка и беспорядка — к энтропии

Знание того, как связаны атомы, — лишь часть истории; важен также общий уровень упорядоченности или беспорядка структуры. Чтобы это учесть, авторы использовали энтропию Шеннона — понятие из теории информации, измеряющее случайность — и применили его к тем же структурным индексам. Для каждого индекса они вычислили соответствующее значение энтропии, суммирующее, насколько равномерно различные типы связей распределены по сети TM-THQ. Результаты показывают, что по мере усложнения и расширения каркаса значения энтропии устойчиво растут, указывая на большую структурную разнообразность и тонкие вариации во взаимодействии атомов по всему листу.

Обучение машин распознавать закономерности

Вместо того чтобы опираться только на явные формулы, авторы также проверили, смогут ли компьютеры научиться предсказывать энтропию TM-THQ исключительно по значениям индексов. Они протестировали три регрессионных подхода: простую логарифмическую кривую и две популярные модели машинного обучения — random forest и XGBoost — которые объединяют множество деревьев принятия решений для захвата сложных закономерностей. Используя модели на Python, они обучали каждый метод на данных, связывающих индексы с энтропией. Удивительно, но скромная логарифмическая модель показала лучший результат: она почти идеально воспроизводила значения энтропии с очень маленькими ошибками и тесным соответствием предсказаний и реальных данных. XGBoost подошёл близко, в то время как random forest отставал, особенно для больших и более экстремальных случаев.

Что это значит для будущих материалов

Для неспециалиста главный вывод таков: сложное поведение продвинутых пористых материалов, таких как TM-THQ, можно описать и предсказать с помощью относительно простой математики, не моделируя каждый атом в деталях. Превращая молекулярные листы в сети, суммируя их компактными числовыми «отпечатками» и затем обучая простые модели связывать эти отпечатки с мерами порядка и беспорядка, исследователи могут быстро просеивать кандидатные материалы на компьютере. Полученные результаты указывают, что у TM-THQ есть настраиваемая внутренняя структура, чью стабильность и сложность можно считывать по этим индексам, что поможет направлять их применение в областях, таких как преобразование диоксида углерода, каталитические процессы и накопление энергии, сокращая число лабораторных проб и ошибок.

Цитирование: Irfan, M., Bashir, N., Gaid, A.S.A. et al. Comparative entropy analysis of 2D transition metal tetrahydroxyquinones via machine learning approaches. Sci Rep 16, 6819 (2026). https://doi.org/10.1038/s41598-026-37731-4

Ключевые слова: металло‑органические каркасы, теория графов, энтропия, машинное обучение, конверсия CO2