沸石等温吸附曲线的快速预测与结合能数据库：基于DFT计算结果的特征学习
沸石等温吸附曲线的快速预测与结合能数据库：基于DFT计算结果的特征学习
沸石是一类具有优异性能的多孔铝硅酸盐材料，快速预测其吸附相关性质在气体捕集、储存与分离、催化等方面的应用具有重要意义和实用价值。材料的吸附性质可通过等温吸附曲线进行表征，然而Brunauer−Emmett−Teller（BET）实验表征难以直接应用于材料的高通量筛选。
近期，南京大学化学化工学院马晶教授课题组和南京大学计算机软件新技术国家重点实验室高阳教授课题组合作，在The Journal of Physical Chemistry C期刊上发表了题为Zeolite Adsorption Isotherms Predicted by Pore Channel and Local Environmental Descriptors: Feature Learning on DFT Binding Strength的论文（Y. Gu, Z. Liu, C. Yu, X. Gu, L. Xu, J. Ma, Y. Gao, J. Phys. Chem. C 2020, 124, 9314−9328.）。文章仅通过三个重要的描述符，采用XGBoost算法对近20万个（实验已制备的、理论预测的）分子筛与氮气的结合能给出合理有效的预测，建立了沸石分子筛吸附数据库（数据库网址http://106.15.196.160:5656）。其中，有效吸附空间（Veff）反映了可吸附氮气分子的个数，孔道最大包含球直径（PLD）体现了沸石分子筛孔道的结构，而Si−O−Si最小二乘距离（RDLS）是局部几何畸变的参数。基于上述三个描述符的机器学习预测得到的结合能与密度泛函理论（DFT/PBE）计算结果相吻合，其相关系数可以达到0.92。
图1 三个描述符（Veff、RDLS和PLD）预测沸石分子筛与氮气的结合能，用于吸附等温曲线的快速模拟
计算表明分子筛的局域静电环境及其与所吸附的氮气分子的静电相互作用是影响吸附性质的重要因素。可以通过改变硅铝比进一步调节分子筛的静电环境。当硅铝比为47时，结合强度可以达到全硅沸石的两倍。基于三个描述符的机器学习模型也同样适用于掺入铝的沸石分子筛吸附能的预测。
将机器学习预测的结合能引入Langmuir模型，可以快速预测出沸石分子筛的等温吸附曲线，与BET实验测定的结果定性一致。文章发现具有中等尺寸（4~8 Å）的三维孔道结构的沸石分子筛更有利于氮气的吸附。在已合成的分子筛中吸附能力强的有MOR（吸附能：−28.0 kcal/mol）、FER（吸附能：−24.6 kcal/mol）等。从200,181个假想分子筛结构中，筛选出的PCOD919969分子筛具有最强的结合能力，有望成为氮气吸附的材料之一。该方法可以用于快速预测吸附等温线和高通量筛选多孔材料。
基于上述研究成果，开发了沸石分子筛吸附数据库，用于预测分子筛吸附氮气的结合能。数据库中包含了基于有效吸附空间（Veff）、孔道最大包含球直径（PLD）、Si-O-Si最小二乘距离（RDLS）三个描述符和XGBoost算法预测的20万个分子筛与氮气分子的结合能数据。用户也可以自行输入Veff、PLD、RDLS三个描述符，进行DIY在线预测。数据库同时提供中英文两种语言供用户使用。
图2 沸石分子筛吸附数据库网页简介
在XGBoost预测的结合能的版块，对于248种实验已制备的分子筛，用户可以用过输入分子筛的名称，点击查询后得到Veff、PLD、RDLS三个描述符和其对应的结合能数据结果。对于理论预测的20,0181种假想分子筛，用户通过输入Veff、PLD、RDLS三个描述符，点击查询后可以得到结合能的数据。
图3. 沸石分子筛吸附数据库的XGBoost预测的结合能版块
用户可以通过DIY在线预测板块实现对于数据库中未收录的分子筛结构的结合能的预测功能。用户可以通过输入所需分子筛的Veff、PLD、RDLS三个描述符，点击预测按钮，预测结果便会在下方列出。
图4 沸石分子筛吸附数据库的DIY在线预测版块
用户可以在DFT/PBE计算的结合能模块来查询100个DFT/PBE计算出的实验合成的分子筛与氮气分子的结合能。用户点击表格中分子筛的名称后可以查询到Veff、PLD、RDLS三个描述符和其对应的结合能数据结果，还可以显示出分子筛对应的孔道结构。
图5 沸石分子筛吸附数据库的DFT/PBE计算的结合能版块
参考文献
[1] Yuming Gu, Ziteng Liu, Changzhou Yu, Xu Gu, Lili Xu, Yang Gao*, Jing Ma*, Zeolite Adsorption Isotherms Predicted by Pore Channel and Local Environmental Descriptors: Feature Learning on DFT Binding Strength. J. Phys. Chem. C 2020, 124, 9314−9328.