文献简报2022-05-02(2022年-2023年).docxVIP

金昆 文献简报 2021-05-02 Machine-Learning-Guided Morphology Engineering of Nanoscale Metal-Organic Frameworks Peican Chen, Zeyu Tang,Zhongming Zeng,Xuefu Hu,Liangping Xiao,Yi Liu,Xudong Qian,Chunyu Deng,Ruiyun Huang,Jingzheng Zhang,Yilong Bi, Rongkun Lin,Yang Zhou,Honggang Liao,Da Zhou,* Cheng Wang* Matter Pub Date : 2020-05-18 DOI: 10.1016/j.matt.2020.04.021 ABSTRACT: Controlling morphology ofnanocrystals is one of the central tasks of nanoscience. In this work, we studied nanoscale metal-organic frameworks (nMOFs) from Hf-oxo clusters and linear dicarboxylate ligands with the aid of machine-learning methods for data analysis. Ligand solubility and modulator concentration were found to quantitatively predict the growth of nMOFs with a specifific morphology, such as ultrathin two-dimensional fifilm, hexagonal nanoplate, octahedron, cuboctahedron, concave octahedron, or hollow octahedron morphology. With these insights, we use epitaxy growth sequences to design nMOFs of desirable nanostructures with enhanced substrate transport and, hence, increased activities for catalytic olefifin hydrogenation. This work highlights new opportunities in using machine learning to guide morphology engineering of nMOFs and other nanomaterials. 金昆 文献简报 2021-05-02 控制纳米晶体的形态是纳米科学的中心任务之一。在这项工作 中，我们借助机器学习方法进行数据分析，研究了来自 Hf-氧代簇和 线性二羧酸酯配体的纳米级金属有机框架（nMOF）。发现配体溶解 度和调节剂浓度可定量预测具有特定形态的 nMOF 的生长，例如超 薄二维薄膜，六边形纳米板，八面体，立方八面体，凹面八面体或空 心八面体形态。有了这些见解，我们使用外延生长序列来设计具有所 需的纳米结构的 nMOF ，这些纳米结构具有增强的底物传输能力，因 此增加了催化烯烃烯烃加氢的活性。这项工作凸显了使用机器学习指 导nMOF 和其他纳米材料的形态工程的新机会。 金昆 文献简报 2021-05-02 图 1 ，利用机器学习算法确定合成相位图。 （a ）用彩色线表示的实验数据。每个合成参数被归一化为 0- 1 ，并由线上的一 个点表示；每一行代表一个合成实验。 （b）“决策树”显示反应温度、水和甲酸的浓度是最重要的因素；椭圆中的红 色字符表示