Ускорение поиска МОФов для хранения водорода с помощью машинного обучения в приложениях, связанных с энергией

Почему это важно для чистой энергетики

Водород часто называют чистым топливом будущего, но есть упорная практическая проблема: он очень легкий, поэтому упаковать достаточное количество водорода в безопасный компактный бак для автомобилей, грузовиков или судов сложно. В этой работе показано, как компьютерные методы, в особенности машинное обучение, могут просеивать почти сто тысяч продвинутых пористых материалов — так называемых металло‑органических каркасов (МОФ) — чтобы находить те, которые способны плотнее и экономичнее хранить водород. Исследование указывает на более быстрые и дешёвые пути выявления следующего поколения водородных ёмкостей, которые могли бы помочь обществу уйти от ископаемого топлива.

Материалы‑губки, созданные на заказ

МОФ — это кристаллические материалы, которые на молекулярном уровне напоминают сложные каркасы с огромной внутренней площадью поверхности и пустотами. Эти крошечные «губки» могут многократно адсорбировать и высвобождать молекулы газа, такие как водород. Меняя металлические узлы и органические линкерные звенья, учёные могут настраивать размер, форму и проницаемость пор МОФов. Свойства, такие как доля пустого объёма (void fraction), доступный внутренний объём (pore volume) и поверхность, контактирующая с молекулами газа, оказываются более важными для хранения водорода, чем точный химический состав. Проблема в том, что хотя базы данных содержат более 100 000 возможных структур МОФов, лишь малая часть была синтезирована и протестирована в лаборатории, а детальные компьютерные симуляции для каждого кандидата чрезвычайно дороги по времени и ресурсам.

Давая компьютерам возможность исследовать варианты

Чтобы преодолеть это узкое место, авторы объединяют высокоточные симуляции адсорбции газа с методами машинного обучения. Они начинают с существующей базы данных HyMARC, в которой перечислены 98 695 МОФов от нескольких исследовательских групп и университетов. Для каждого МОФа они используют проверенные инструменты симуляции, чтобы вычислить, сколько водорода он может удержать и затем отдать в реалистичном цикле «тепло‑давление»: материал заполняют водородом при очень низкой температуре и высоком давлении, затем нагревают и понижают давление для выдачи газа. Из каждой кристаллической структуры они извлекают всего семь геометрических дескрипторов, включая плотность, объём пор, несколько мер площади поверхности и два характерных диаметра пор. Эти простые числа отражают, сколько пространства и поверхности доступны молекулам водорода внутри каждого МОФа.

Обучение нейросетей оценивать ёмкость хранения

Затем команда обучает два типа нейронных сетей — прямого распространения и модели распознавания образов — чтобы установить связь между этими семью структурными дескрипторами и двумя ключевыми показателями: сколько водорода хранится по массе (гравиметрическая ёмкость) и по объёму (объёмная ёмкость). Метод оптимизации, вдохновлённый физикой, называемый Equilibrium Optimizer, автоматически настраивает размер и структуру каждой сети так, чтобы минимизировать ошибку предсказания. После обучения на большей части базы с выделением отдельной части для тестирования модели воспроизводят результаты симуляций с поразительной точностью, особенно для показателя по массе. Анализ также подтверждает физически осмысленные тренды: МОФы с большим объёмом пор и более высокой долей пустот обычно хранят больше водорода по массе, тогда как объёмное хранение максимизируется при промежуточной плотности, где пористость и упаковка находятся в сбалансированном состоянии.

Поиск выдающихся материалов в переполненном поле

Вооружившись этими обученными сетями, исследователи быстро просканировали все 98 695 МОФов, чтобы отметить перспективные кандидаты, а затем проверяли лучшие из них полными симуляциями. В качестве ориентира они использовали хорошо известный МОФ под названием MOF‑5 и сопоставляли результаты с амбициозными целевыми показателями Министерства энергетики США для хранения водорода. Скрининг выявил 1 289 МОФов, которые одновременно соответствуют или превосходят эти цели, а в этой группе 12 структур оказались лучше MOF‑5 по обоим показателям — и по массе, и по объёму. Многие из лучших образцов имеют схожие черты — умеренная плотность, значительная, но не экстремальная площадь поверхности и высокий внутренний объём пустот — и несколько происходят из гипотетической базы данных, собранной Северо‑Западным университетом, что подчёркивает ценность изучения ещё несинтезированных дизайнов.

Что это значит для будущих водородных баков

Проще говоря, это исследование показывает, что небольшой набор легко вычисляемых структурных характеристик в сочетании с грамотно спроектированными нейронными сетями может заменить гораздо более трудоёмкие симуляции при поиске материалов для хранения водорода. Подход пока не гарантирует, что каждый предложенный МОФ будет легко синтезируем или механически стабилен, но существенно сужает круг поиска до управляемого короткого списка для экспериментальной проверки химиками. Выявляя, какие геометрические признаки наиболее важны, и выделяя конкретные кандидаты с высокой ёмкостью, эта работа приближает практические компактные водородные баки и демонстрирует, как инструменты, основанные на данных, могут ускорить открытие материалов для более чистой энергетической системы.

Цитирование: Khairandesh, S., Lotfi, M., Larimi, A. et al. Accelerating discovery of MOFs for hydrogen storage via machine learning in energy related applications. Sci Rep 16, 14114 (2026). https://doi.org/10.1038/s41598-026-44340-8

Ключевые слова: хранение водорода, металло‑органические каркасы, машинное обучение, пористые материалы, поиск энергетических материалов