Design of metal–organic frameworks: from theoretical structure and reactivity predictions to mechanochemical synthesis and screening
Notice bibliographique
Résumé
Metal-organic frameworks (MOFs) are microporous materials with many exciting applications, such as gas storage and separation, catalysis, platforms for artificial photosynthesis and energetic materials.The wide range of applications is strictly related to the modular node-and-linker composition, where different combinations of building blocks yield materials with various properties.The presence of a vast number of combinations for different node and linker, however, poses a real challenge for the experimental MOF design.An ab initio crystal structure prediction (CSP) method for MOFs has been reported by our group recently, and the method is based on the ab initio random structure searching (AIRSS) [1] and Wyckoff Alignment of Molecules (WAM) [2] algorithms.In this publication, a wide range of existing MOF structures have been investigated.Herein, we will demonstrate the first examples for the prediction of new MOF materials from metal azolate framework (MAF) and hexafluorosilicate families using our CSP method, combined with experimental mechanochemical synthesis and crystal structure determination.The solvent-free mechanochemical synthesis guided by theoretical structure prediction provides for an efficient and green approach to MOF design.The concept of MOF design goes beyond just the prediction of crystal structures.The connections between the crystal structures and chemical reactivity of freshly designed MOFs will also be studied by utilizing periodic density functional theory (DFT).Furthermore, our theory-based MOF structure and property predictions will be validated experimentally via mechanochemical screening and thermal studies, and ultimately aiming to improve our understanding of MOFs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».