通过量子精确的机器学习动力学方法，统一二胺功能化金属-有机框架中的二氧化碳扩散机制

《Chemical Engineering Journal》：Unifying CO2 diffusion mechanisms in diamine-functionalized metal–organic frameworks via quantum-accurate machine learning dynamics

　　

董云新（Dong Yun Shin）|乔哈里马尼特拉·兰德里亚南德拉伊纳（Joharimanitra Randrianandraina）|盖永·崔（Gayoung Cheon）|张硕洪（Chang Seop Hong）|李正勋（Jung-Hoon Lee）

• •
  基于机器学习潜能的分子动力学方法（MLP-MD）能够达到密度泛函理论（DFT）水平的准确度。
• •
  较大的孔隙结构在高二氧化碳（CO₂）负载下能够增强扩散性能。
• •
  二胺类物质通过阻塞镁（Mg）位点的空位来加速二氧化碳的传输。
• •
  二氧化碳的插入过程及其空间位阻效应决定了扩散性，且这种扩散性依赖于负载量。
• •
  基于机器学习的正则蒙特卡洛（GCMC）方法能够再现实验得到的二氧化碳等温线。