2024年7月2日，林业工程学科绿色家居材料团队在国际材料领域顶级期刊《ACS Nano》（中科院1区，IF=15.8）在线发表题为“Efficient Removal of Greenhouse Gases: Machine Learning-Assisted Exploration of Metal−Organic Framework Space”（机器学习赋能面向温室气体去除的金属有机骨架）的综述论文。第一作者是该团队硕士研究生辛瑞麒，通讯作者为js33333金沙线路检测朱文凯，合作作者包括河南城建学院王超海教授、毛艳丽教授以及昆士兰大学Yusuke Yamauchi教授。js33333金沙线路检测为该论文第一单位和通讯作者单位。

该综述论文全面总结了近年来机器学习作为辅助工具筛选高性能MOFs用于温室气体去除的研究进展和展望，系统提供了机器学习、MOFs、温室气体去除三者的关系（图1），其中涵盖了机器学习在筛选MOFs时的一般工作流程和一些常见算法的介绍，重点总结了机器学习辅助筛选高温室气体去除性能的MOFs的应用。该工作有望为室内家居污染物的去除提供了新的解决方案，同时为绿色家居材料的设计指明了发展方向。

图1图形摘要

该综述囊括了各种机器学习方法筛选MOFs在温室气体去除中的应用，其中包括监督学习，无监督学习到半监督学习等，这些算法分别被用于不同的场景。由于温室气体是导致全球变暖的主要原因，有效地控制和去除温室气体，是科学界和工业界关注的焦点。该综述探究了机器学习辅助筛选MOFs在常见温室气体（CO₂，CH₄和SF₆）去除中的应用。通过一系列的数据预处理、模型选择、训练、预测，实现对具有高温室气体去除性能的MOFs筛选。此外，本文梳理了机器学习在辅助MOFs筛选的实际应用中遇到的数据集质量低、可解释性低等问题的解决路径。同时，提出了使用机器学习在MOFs筛选时可加入实验失败数据，以更好的完善实验。论文最后列举了机器学习辅助筛选具有高温室气体去除性能MOFs的关键研究挑战，并提出了相应的发展展望（图2）。

图2机器学习辅助筛选高性能的目标MOF

原文链接：https://pubs.acs.org/doi/10.1021/acsnano.4c04174

（js33333金沙线路检测 朱文凯）