瑞士洛桑联邦理工学院（EPFL）的研究人员开发了一个机器学习模型，可以预测金属有机框架（MOF）的热容量。在碳捕获过程中，固体吸收剂再生所需的热量与材料的热容量直接相关，使用正确的MOF热容值可降低碳捕获过程的总体能源成本，对于应对气候变化具有重大意义。相关研究成果10月13日发表于《自然 材料》期刊上。

该模型可以预测局部化学环境如何改变MOF分子中每个原子的振动。研究人员选取200个关于原子振动的数据点，再通过200次计算，获得40000个数据点来训练模型，模型预测的热容量与实验数据相吻合。研究人员模拟碳捕获工厂中MOF的性能，在过程模拟中使用了量子分子模拟、机器学习和化学工程，结果表明，对于某些材料，使用正确的热容量，热量需求减少了2倍之多。

信息来源：

https://phys.org/news/2022-10-machine-capacities-metal-organic-frameworks.html

https://www.nature.com/articles/s41563-022-01374-3