从数据效率角度审视机器学习在设计金属有机框架中的进展与挑战

本文综述了机器学习在金属有机框架设计中的应用，重点关注数据效率。背景方面，MOFs具有模块化特性带来巨大设计空间，传统高通量筛选面临资源挑战，而AI/ML技术为加速发现提供可能。研究目的旨在探讨如何在数据和资源有限的情况下，通过特征工程、模型架构优化、迁移学习、主动学习及生成模型等方法，最大化ML效率以预测MOF性质和加速设计。结论指出，尽管在提高数据效率方面取得进展，但仍需应对数据质量、可扩展性等挑战，未来应开发标准化数据集、扩展性质覆盖，并将ML模型发展为生成和决策工具，以推动MOF材料的创新。