直接空气捕集中的吸附剂发现挑战和 2023 年开放数据集
通过活跃的迁移学习神经网络，利用有限的可得数据，设计了一种更有效的电催化材料，可用于捕获和减少二氧化碳排放以及其他气体分离和催化应用。
Nov, 2023
该研究利用基于图的卷积神经网络模型进行预测和排名晶体金属有机骨架 (MOF) 吸附剂的气体吸附性能，其模型仅基于包含吸附剂材料候选物的标准结构输入文件。结果表明，该方法可以更精确地预测吸附性能，在运算速度更快、特征更少的情况下不失精度，更广泛地应用于工业规模下的气体捕捉过程的优化中。
Aug, 2022
使用生成式人工智能、图形建模、大规模分子动力学模拟和极端规模计算相结合的新方法，加速发现高 CO2 容量的金属有机框架结构。
Jun, 2023
利用知识图谱方法帮助金属有机骨架预测、发现和合成，主要围绕构建 MOF 知识图谱和利用该图谱发现新知识的挑战和案例研究展开。
Jul, 2022
利用机器学习模型，通过气体混合物和吸附剂的物理特性向量，准确预测可炭分子筛膜内的单一和混合气体在聚合物和金属 - 有机框架两种类别材料中的吸附趋势，并提供预测复杂吸附过程的新方法。
Jun, 2024
该研究提出了一种用于循环吸附过程的替代优化的方法，主要关注提高压力摆动吸附单元对二氧化碳（$CO_2$）的捕获效果。研究开发并应用了一个多输入单输出（MISO）框架，包括两个深度神经网络（DNN）模型，用于预测关键过程性能指标。这些模型随后被整合到一个优化框架中，利用粒子群优化（PSO）和统计分析生成了一个全面的 Pareto 前沿表示。该方法绘制了可行操作区域（FORs），并突出了最佳决策制定方案的谱系。而研究方法的一个关键方面是评估优化效果。通过将 Pareto 前沿产生的决策变量与一种现象模型进行测试，验证了替代模型的可靠性。随后，研究探讨了这些决策变量的可行操作域。构建了详细的相关图以阐明这些变量之间的相互作用，从而揭示了影响过程行为的最具影响力因素。该研究提供了一个实用、富有洞察力的操作地图，帮助操作员确定最佳的过程位置并优先考虑特定的操作目标。
Dec, 2023
通过分析 150 个具有 10 个金属节点和 15 个有机配体的假设金属 - 有机框架（MOF）结构，我们比较了不同的 QNLP 模型来处理 MOF 数据集，确定了最有效的方法，并开发了适用于量子电路概率性质的多类别分类模型，展示了使用量子计算进行材料设计的潜力。
May, 2024
使用去噪扩散法确定广泛应用中新颖催化剂的最佳吸附剂结构配置，通过预训练机器学习力场优化扩散预测的吸附剂结构，在密度泛函理论的评估下取得了比之前最佳方法提高了 5 倍或 3.5 倍的加速度和准确性改进。
May, 2024