新型神经网络框架推进沸石大规模模拟

查尔斯大学理学院的Grajciar博士和Heard博士组成的纳米材料建模小组开发并应用了一系列计算方法来研究具有重大工业潜力的材料以及现有的工业开发材料，以实现其优化

他们建立了一个新的基于机器学习的框架，允许在操作条件下对这些材料进行全面研究。他们的研究结果已发表在《自然通讯》上

沸石是一类具有巨大结构和化学多样性的微孔铝硅酸盐，其来源于共价连接的二氧化硅/氧化铝四面体的无数稳定的三维排列。这使得沸石成为一种多用途材料，其应用范围从热能储存到气体分离和水净化，但主要用于多相催化

然而，到目前为止，对其巨大的结构和化学多样性的全面探索主要基于试错实验方法和简化的理论模型

随着机器学习的出现，计算模拟的巨大加速和（催化）材料的更现实和复杂模型的采用都打开了机会之窗。Grajciar博士和Heard博士利用了这一点，开发了一个基于卷积神经网络的模型，该模型能够将各类材料的原子模拟加速几个数量级

特别是，他们专注于极其重要的一类质子交换铝硅酸盐沸石，这是现有石化工艺的基石之一，正在以百万吨规模生产，也是可持续化学新兴应用的主要候选者之一

重要的是，除了加速原子模拟外，机器学习模型还被证明能够发现这些材料中迄今为止看不见的化学过程和物种。此外，还举例说明了如何将这些基线神经网络模型与其他先进的机器学习相结合，进一步提高准确性和采样效率；基于工具

总之，纳米材料建模小组的工作中引入的基于ML的框架代表着朝着大规模模拟一类极其重要的催化材料迈出了一大步；沸石&mdash；解决该领域的长期挑战，从理解沸石水热（in）稳定性的机制基础到确定操作条件下活性物种和缺陷的特征

这项工作代表了机器学习在合理材料设计中的潜力的一个重要用例