Connecting metal-organic framework synthesis to applications using multimodal machine learning
Notice bibliographique
Résumé
Every year, researchers create hundreds of thousands of new materials, each with unique structures and properties. For example, over 5000 new metal-organic frameworks (MOFs) were reported in the past year alone. While these materials are often synthesized for specific applications, they may have potential uses in entirely different domains. However, linking these new materials to their best applications remains a significant challenge. In this study, we demonstrate a multimodal approach that uses the information available as soon as a MOF is synthesized, specifically its powder X-ray diffraction pattern (PXRD) and the chemicals used in its synthesis, to predict its potential properties and uses. By self-supervised pretraining of this model on crystal structures accessible from MOF databases, our model achieves accurate predictions for various properties, across pore structure, chemistry-reliant, and quantum-chemical properties, even when small data is available. We further assess the robustness of this method in the presence of experimental measurement imperfections. Utilizing this approach, we create a synthesis-to-application map for MOFs, offering insights into optimal material classes for diverse applications. Finally, by augmenting this model with a recommendation system, we identify promising MOFs for applications that are different from the originally reported applications. We provide this tool as an open source code and a web app to accelerate the matching of new materials with their potential industrial applications.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».