化学进展

作者：何英, 谭昉畅, 闫希亮

单位：<sup class=\mag-xml-aff-label-sup added-by-sys\>1</sup> 广州大学大湾区环境研究院 广州 510006,<sup class=\mag-xml-aff-label-sup added-by-sys\>2</sup> 暨南大学物理与光电工程学院 广州 511443,<sup class=\mag-xml-aff-label-sup added-by-sys\>3</sup> 华南农业大学动物科学学院 广州 510642

关键词：人工智能,计算机辅助材料设计,定量结构-性质关系,分子描述符,特征提取

基金：国家自然科学基金项目(22476056),国家自然科学基金项目(22106025)

MOFs因其独特的结构和理化性质，在气体存储、催化、传感等领域展现了广阔的应用前景。然而，仅靠传统实验方法难以快速高效地设计具有所需性质的MOFs。近年来，以传统机器学习和深度学习为代表的人工智能方法在材料科学中得到了广泛应用，并取得了诸多显著性成果。其中，如何有效提取MOFs结构特征，并将其转化为计算机可识别的输入形式，是传统机器学习和深度学习建模的前提和关键步骤。为此，本文系统综述了基于分子描述符的人工特征提取和基于端到端深度学习的自动特征提取，总结了两种方法的基本概念和原理，着重强调了两者在MOFs设计中的具体应用和最新进展，最后讨论了提高结构特征提取的全面性、可解释性和可重复性等方面所面临的挑战和未来发展方向，以期为人工智能驱动的MOFs设计提供参考和理论指导。

来源：2025年第8期

《化学进展》期刊编辑部

查看化学进展杂志2025年第8期