Påskyndad upptäckt av MOF:er för vätgaslagring via maskininlärning i energirelaterade tillämpningar

Varför detta är viktigt för ren energi

Vätgas hyllas ofta som en ren bränsleform för framtiden, men det finns ett envist praktiskt problem: den är mycket lätt, så att få plats med tillräckligt mycket vätgas i en säker, kompakt tank för bilar, lastbilar eller fartyg är svårt. Denna artikel visar hur datorbaserade metoder, särskilt maskininlärning, kan sålla bland nästan etthundratusen avancerade porösa material, kallade metall–organiska nätverk (MOF:er), för att hitta dem som kan lagra vätgas tätt och effektivt. Arbetet pekar mot snabbare och billigare vägar för att identifiera nästa generations vätgastankar som kan hjälpa samhället att lämna fossila bränslen.

Specialanpassade svampmaterial

MOF:er är kristallina material som på molekylär nivå liknar intrikata stommar med enorm intern yta och tomrum. Dessa små ”svampar” kan fånga och släppa gasmolekyler som vätgas om och om igen. Genom att byta ut metallbyggstenar och organiska länkar kan forskare ställa in porstorlek, form och öppenhet hos MOF:erna. Egenskaper som hur mycket tomrum de innehåller (void fraction), hur stor inre volym som är tillgänglig (pore volume) och hur mycket yta som exponeras för gasmolekyler visar sig vara viktigare för vätgaslagring än den exakta kemiska formeln. Utmaningen är att även om databaser innehåller långt över 100 000 möjliga MOF-strukturer, har bara en liten andel syntetiserats och testats i labbet, och detaljerade datorbaserade simuleringar för varje kandidat är mycket kostsamma.

Låta datorer utforska möjligheterna

För att tackla denna flaskhals kombinerar författarna högkvalitativa gasadsorptionssimuleringar med maskininlärning. De utgår från en befintlig databas kallad HyMARC, som listar 98 695 MOF:er från flera forskargrupper och universitet. För varje MOF använder de etablerade simuleringsverktyg för att beräkna hur mycket vätgas den kan hålla och sedan leverera under en realistisk ”temperatur–tryck-sväng”-cykel: materialet fylls med vätgas vid mycket låg temperatur och högt tryck, sedan värms och depressuriseras det för att avge gasen. Från varje kristallstruktur extraherar de bara sju geometriska deskriptorer, inklusive densitet, pore volume, flera mått på yta och två karakteristiska pordiametrar. Dessa enkla siffror fångar hur mycket utrymme och yta vätgasmolekylerna kan utforska inuti varje MOF.

Träna neurala nätverk att bedöma lagringskapacitet

Teamet tränar sedan två typer av neurala nätverk—feed‑forward och mönsterigenkänningsmodeller—för att lära sambandet mellan dessa sju strukturella deskriptorer och två viktiga utfall: hur mycket vätgas som lagras per vikt (gravimetrisk kapacitet) och per volym (volymetrisk kapacitet). En fysikinspirerad optimeringsmetod, kallad Equilibrium Optimizer, justerar automatiskt storlek och uppbyggnad av varje nätverk för att minimera prediktionsfel. Efter träning på större delen av databasen och med en reservdel för testning återger modellerna simuleringsresultaten med slående noggrannhet, särskilt för lagring efter vikt. Analysen bekräftar också fysiskt rimliga trender: MOF:er med större pore volume och högre void fraction lagrar generellt mer vätgas per vikt, medan volymetrisk lagring maximeras vid en intermediär densitet där porositet och packning är välbalanserade.

Hitta utmärkande material i ett välfyllt fält

Med dessa tränade nätverk scannar forskarna snabbt igenom alla 98 695 MOF:er för att flagga lovande kandidater, och kontrollerar sedan de bästa med fullskaliga simuleringar. De använder en välkänd MOF kallad MOF‑5 som referenspunkt och tillämpar också ambitiösa mål från USA:s energidepartement för vätgaslagring. Deras screening frambringar 1 289 MOF:er som samtidigt uppfyller eller överträffar dessa mål, och inom den gruppen finns 12 strukturer som slår MOF‑5 både i viktbaserad och volymbaserad prestanda. Många av dessa toppresterande delar liknande egenskaper—måttlig densitet, betydande men inte extrem yta och hög inre tomrumsyta—och flera kommer från en hypotetisk databas sammanställd av Northwestern University, vilket understryker värdet av att utforska ännu icke-syntetiserade designer.

Vad detta betyder för framtida vätgastankar

Enkelt uttryckt visar denna studie att en liten uppsättning lättberäknade strukturella egenskaper, kombinerat med välutformade neurala nätverk, kan ersätta betydligt mer tidskrävande simuleringar när man söker efter material för vätgaslagring. Metoden kan ännu inte garantera att varje föreslagen MOF är lätt att tillverka eller mekaniskt stabil, men den avsevärt snävar in sökningen till en hanterbar kortlista för kemister att testa. Genom att avslöja vilka geometriska egenskaper som spelar störst roll och lyfta fram specifika högkapacitetskandidater för de praktiska, kompakta vätgastankar närmare verklighet och illustrera hur datadrivna verktyg kan påskynda upptäckten av material för ett renare energisystem.

Citering: 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

Nyckelord: vätgaslagring, metallorganiska nätverk, maskininlärning, porösa material, upptäckt av energimaterial