通过机器学习加速用于储氢的金属–有机框架（MOFs）在能源相关应用中的发现

为什么这对清洁能源很重要

氢气常被誉为未来的清洁燃料，但有一个顽固的实际问题：它非常轻，使得在汽车、卡车或船舶等运输工具的安全、紧凑罐体内装入足够的氢气变得困难。本文展示了基于计算的方法，尤其是机器学习，如何从近十万种先进多孔材料（称为金属–有机框架，MOFs）中筛选出那些能够高密度且高效储存氢气的材料。该工作指向了更快、更便宜的路线，以识别下一代可能帮助社会摆脱化石燃料的氢气罐材料。

定制的海绵状材料

MOFs 是晶体材料，在分子层面上看起来像复杂的支架，具有巨大的内部表面积和空隙。这些微小的“海绵”能够反复吸附和释放氢等气体分子。通过更换金属构件和有机连接体，科学家可以调节 MOF 的孔径、形状和连通性。诸如含空隙比例（void fraction）、孔体积（pore volume）以及对气体分子暴露的表面积等性质，往往比精确的化学配方更能影响氢气储存性能。挑战在于，尽管数据库中包含超过 10 万个可能的 MOF 结构，只有少数被实际合成并在实验室中测试过，而对每个候选结构进行详细的计算模拟代价很高。

让计算机探索可能性

为了解决这一瓶颈，作者将高精度气体吸附模拟与机器学习相结合。他们从一个名为 HyMARC 的现有数据库出发，该库汇集了来自多个研究组和大学的 98,695 个 MOF。对每个 MOF，研究者使用成熟的模拟工具计算其在现实的“温度–压力摆动”循环中的吸放氢能力：材料在极低温高压下被充氢，然后通过加热和降压来释放气体。从每个晶体结构中，他们仅提取了七个几何描述符，包括密度、孔体积、若干表面积度量以及两个特征孔径。这些简单数字捕捉了氢分子在每个 MOF 内部可探索的空间与表面情况。

教会神经网络评估储存能力

团队随后训练了两类神经网络——前馈网络和模式识别模型——学习这七个结构描述符与两个关键结果之间的关系：按重量计的储氢量（质量比容量）和按体积计的储氢量（体积比容量）。一种受物理启发的优化方法称为平衡优化器（Equilibrium Optimizer）被用来自动调整每个网络的规模和结构，以最小化预测误差。在对数据库的大部分进行训练并保留一部分用于测试后，这些模型以惊人的精度再现了模拟结果，尤其是在按重量储存的预测上。分析也确认了符合物理直觉的趋势：具有更大孔体积和更高空隙率的 MOF 通常按重量储存更多氢，而体积储存则在中等密度处达到最大，此时空隙性与堆积密度达成较好平衡。

在拥挤领域中发现脱颖而出的材料

有了这些训练好的网络，研究人员能够快速扫描所有 98,695 个 MOF 以标记出有前景的候选，然后对最优者进行全面模拟验证。他们以广为人知的 MOF‑5 作为参考点，并采用美国能源部设定的雄心目标来评估储氢能力。筛选结果显示有 1,289 个 MOF 同时达到或超过这些目标，其中有 12 个结构在质量和体积性能上均优于 MOF‑5。这些顶尖材料多数具有相似特征——中等密度、可观但不过分极端的表面积以及高内部空隙空间——其中若干来自西北大学汇编的假想数据库，凸显了探索尚未合成设计的价值。

这对未来氢气罐意味着什么

简而言之，这项研究表明，一小组易于计算的结构特征，结合精心设计的神经网络，在寻找储氢材料时可以代替更耗时的全面模拟。该方法尚不能保证所有被推荐的 MOF 都易于合成或具有机械稳定性，但它能大幅缩小搜索范围，提供化学家可以实验验证的可管理候选清单。通过揭示哪些几何特征最为重要并突出具体的高容量候选，本文使得实用、紧凑的氢气罐更进一步，并展示了数据驱动工具如何加速为更清洁能源体系发现材料的进程。

引用: 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

关键词: 氢气储存, 金属-有机框架, 机器学习, 多孔材料, 能源材料发现