中科大、中科院沈阳自动化所Engineering：针对性分析不同尺度化学结构特征有望深化对复杂金属有机框架气体吸附机制的认知

本文背景是金属有机框架（MOF）材料在气体吸附领域应用广泛，但传统实验和模拟方法存在成本高、计算量大等问题，现有深度学习模型难以处理晶体周期性和易过拟合。研究目的是开发一种多尺度图神经网络模型，以精准预测MOF材料对单组分及多组分气体的吸附性能，并提升模型的可解释性。结论表明，该模型通过多尺度晶体图捕捉结构特征，利用注意力机制优化，显著提高了预测准确度（如R²提升超200%），有效缓解过拟合（降低90%以上），并通过可视化增强了模型可解释性，为MOF材料高通量筛选提供了新方案。