社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

郑州大学周震/田芸团队: 逆向设计机器学习框架 ⇨ >10³选择性氙/氪分离

RSC英国皇家化学会 • 7 月前 • 218 次点击  

研究介绍

氙 (Xe) 和氪 (Kr) 的高效分离,是核工业与航天等领域亟待解决的关键技术难题。由于二者动力学直径接近、常态下浓度极低,传统吸附材料难以实现经济高效分离。
氢键有机框架 (HOF) 材料凭借其温和的合成条件、良好的再生性与结构可调性,成为极具潜力的替代吸附剂。然而,该领域仍面临两大瓶颈:Xe/Kr 分离机制不明确,和已知实验结构匮乏,严重制约了高性能 HOF 材料的定向设计与开发。
功能材料的理性设计,不能仅依靠化学直觉或传统试错模式,更需从微观机制出发,实现结构与功能的协同优化。尽管机器学习已在诸多材料体系中辅助材料研发,传统正向设计方法仍严重依赖化学直觉,难以突破现有化学空间解锁新材料和新机制。如何从材料的基本组成模块出发,跨尺度揭示其分离机制,并以目标性能为导向来定向设计新材料,成为该领域亟待突破的关键科学问题。

研究内容


近日,郑州大学周震教授田芸副教授带领研究团队通过正向设计和逆向设计相结合的方法全面探讨了 HOF 中的气体分离机理,推动了用于 Xe/Kr 精准分离 HOF 材料的理性设计,极大加快了材料研发进程。
该工作基于基因组学方法构建了首个大规模 HOF 数据库,并实现了 HOF 结构的快速生成与 Xe/Kr 分离性能的高通量预测(基于经典密度泛函理论计算)。针对传统正向设计依赖化学直觉、难以探索未知机制的问题,创新性地融合“正向设计”与“逆向工程”策略,提出一种迭代式逆向设计框架,不仅高效筛选出高性能 HOF 材料,更深刻揭示了其背后隐藏的分离机制。值得关注的是,逆向设计所得到的 HOF 新结构表现出卓越的 Xe/Kr 选择性(超过 10³),性能远超当前报道的最佳吸附剂。更重要的是,通过该框架的系统分析,突破了对 Xe/Kr 分离机理的传统认知: HOF 中的分离行为并非由广泛认为的极化率差异主导,而是由孔道筛分效应与氢键强度变化共同驱动的协同机制。
基于这一新机制,该工作进一步提出一个兼具可解释性与普适性的结构描述符,能够有效融合氢键网络环境与关键孔道结构特征,从而广泛用于新型 HOF 材料的快速筛选与性能预测。因此,该工作通过构建一套从机理解释到材料设计的完整研究范式,为多孔材料基因组学开发与实验验证提供了新思路。未来,该逆向设计框架还有望拓展至其他功能材料体系,推动材料研发范式从“经验试错”走向“智能设计”。
该成果以“A mechanism-guided inverse engineering framework to unlock design principles of H-bonded organic frameworks for gas separation”(《逆向设计机器学习框架解锁氢键有机框架的气体分离机制和设计原则》)为题,发表在英国皇家化学会期刊 Chemical Science #ChemSci 上。

论文信息

  • A mechanism-guided inverse engineering framework to unlock design principles of H-bonded organic frameworks for gas separation
    Yong Qiu, Lei Wang, Letian Chen, Yun Tian*田芸,郑州大学), Zhen Zhou*周震,郑州大学) and Jianzhong Wu
    Chem. Sci., 20251617450-17460
    https://doi.org
    /10.1039/D5SC04332H

作者简介
























期刊简介


Home to exceptional research and thought-provoking ideas. Open and free, for authors and readers.

rsc.li/chemical-science

Chem. Sci.

2-年影响因子*7.5
5-年影响因子*7.8
JCR 分区*Q1 化学-综合
CiteScore 分12.6
中位一审周期33 


Chemical Science 是涵盖化学科学各领域的跨学科综合性期刊,也是英国皇家化学会的旗舰期刊。所发表的论文不仅要在相应的领域内具有重大意义,而且还应能引起化学科学其它领域的读者的广泛兴趣。所发表的论文应包含重大进展、概念上的创新与进步或者是对领域发展的真知灼见。发文范围包括但不限于有机化学、无机化学、物理化学、材料科学、纳米科学、催化、化学生物学、分析化学、超分子化学、理论化学、计算化学、绿色化学、能源与环境化学等。作为一本钻石开放获取的期刊,读者可以免费获取所发表论文的全文,同时从该刊的论文版面费由英国皇家化学会承担,论文作者无需付费。

Editor-in-Chief

  • Andrew Cooper
    🇬🇧 利物浦大学

Associate editors
  • Vincent Artero
    🇫🇷 格勒诺布尔阿尔卑斯大学/法国原子能和替代能源委员会

  • Luis M. Campos
    🇺🇸 哥伦比亚大学

  • Lin Chen
    🇺🇸 西北大学

  • Graeme Day
    🇬🇧 南安普敦大学

  • Mircea Dincă
    🇺🇸 麻省理工学院

  • François Gabbaï
    🇺🇸 得克萨斯农工大学

  • Subi George
    🇮🇳 贾瓦哈拉尔·尼赫鲁高级科学研究中心

  • Ryan Gilmour
    🇩🇪 明斯特大学

  • Stephen Goldup
    🇬🇧 伯明翰大学

  • Jinlong Gong (巩金龙)
    🇨🇳 天津大学

  • Zaiping Guo (郭再萍)
    🇦🇺 阿德莱德大学

  • Christian Hackenberger
    🇩🇪 德国莱布尼茨分子药理学研究所

  • Malika Jeffries-EL
    🇺🇸 波士顿大学

  • Ning Jiao (焦宁)
    🇨🇳 北京大学

  • Tanja Junkers
    🇦🇺 莫纳什大学

  • Hemamala Karunadasa
    🇺🇸 斯坦福大学

  • Maja Köhn
    🇩🇪 弗莱堡大学

  • Yi-Tao Long (龙亿涛)
    🇨🇳 南京大学

  • James K McCusker
    🇺🇸 密歇根州立大学

  • Thomas J Meade
    🇺🇸 西北大学

  • Paolo Melchiorre
    🇮🇹 博洛尼亚大学

  • Gabriel Merino
    🇲🇽 墨西哥国家理工学院科研和高级研究中心

  • Hannah Shafaat
    🇺🇸 加州大学洛杉矶分校

  • Dmitri Talapin
    🇺🇸 芝加哥大学

  • Toshiharu Teranishi
    🇯🇵 京都大学

  • Andrei Yudin
    🇨🇦 多伦多大学

* 2024 Journal Citation Reports (Clarivate, 2025)

 CiteScore 2024 by Elsevier

 中位数,仅统计进入同行评审阶段的稿件








欢迎联系我们发布论文报道
📧 RSCChina@rsc.org

点击下方「阅读原文」查看

↓↓↓

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/190164