近日，公司计算机科学与技术学院万夕里老师指导的2020级研究生鹿存兴在美国化学学会（ACS）出版的国际知名期刊《Journal of Chemical Information and Modeling》（IF=6.162）发表研究论文，阐述了一种基于深度学习的金属有机框架材料（MOF）碳捕获性能的端到端的人工智能预测方法（https://pubs.acs.org/doi/10.1021/acs.jcim.2c00092）。本论文意义突出，数据详实，方法新颖，自线上发表以来广受关注，并被选为当期封面文章刊发。

  二氧化碳作为导致全球变暖的主要温室气体，其排放问题越来越多地受到人们的关注。碳捕获与储存（CCS）作为缓解二氧化碳排放的少数可行方法而成为目前的研究热点。金属有机框架材料（MOF）由于其在气体吸附方面出色的优异性能而被视为实现CCS的理想材料，然而，由于MOF的高度可调性，人们可以生成上百万种不同的MOF。如何在数量庞大的MOF中寻找到具有CCS性能优异的MOF，成了当前学术研究总的热点和难点。因此，寻找到一种可以快速而准确地预测MOF性能的方法，将大大推动MOF应用的发展。

  近年，虽有部分研究致力于解决这一问题，但均有部分限制。如分子模拟方法需要消耗大量的计算资源，应对大型数据集时非常低效。机器学习方法需要构建大量的描述符，该过程需要很强的先验知识与不断地试错，同时描述符数值的获取仍需通过分子模拟，需要在特征工程上投入大量时间。本研究创新性地采用深度学习的方法，结合了以上两种方法的优点，开发一种无需构建描述符的端到端的预测方法，仅以晶体学信息文件（CIF）作为输入，通过深度学习来自适应地学习影响性能的高维度的特征，从而对MOF的性能进行快速而精准地预测。实验表明，该方法可以在数分钟内对几十万MOF进行预测，预测值前12%的MOF中包含了真实高性能材料中的99.3%。即在实际应用中，对预测值的前12%进行精密计算，可获得近乎所有的高性能材料，节省计算时间近一个量级。  

  Journal of Chemical Information and Modeling (J. Chem. Inf. Model., JCIM)是美国化学会旗下，专注于化学信息学和计算模拟研究的顶级期刊之一。创刊于1961年， 60年来，JCIM见证着包括化学、生物学和计算机科学交叉的新兴学科领域的诞生和发展，发表了许多在药物设计和化学信息学领域具有重要影响力的工作。

   万夕里老师课题组主要从事人工智能、云计算、大数据、传感网、交叉学科等方面的研究。近年来，综合利用计算机、数学、化学等多学科研究工具，在国际主流期刊和会议发表多篇研究论文，并获授多项国家发明专利。

作者：计算机科学与技术学院 审核：万夕里、高辉庆

（附：封面图）

集团报道：http://cqt.njtech.edu.cn/info/1007/41931.htm