华中师范大学涂斌斌/郭彦炳&武汉科技大学庞青青团队JACS | 机器学习导向孔道工程：MOFs实现超高体积甲烷存储

针对温和条件下甲烷高体积存储的难题，研究团队提出了一种机器学习导向的孔道工程策略，用于系统筛选和理性设计高性能金属有机框架（MOFs）。背景是甲烷作为清洁能源，但车载存储能量密度低，吸附式天然气技术有望解决这一问题，而MOFs因其高孔隙率和可调控孔道具有潜力，但传统试错法效率低。研究目的是通过机器学习高通量筛选与实验验证相结合，快速识别最优MOFs结构。研究团队基于CoRE MOF 2024数据库，采用GCMC模拟和Extra Trees Regressor模型（R²=0.96, MAE=7.20）进行预测，并通过SHAP分析明确孔隙率（0.78–0.86）、孔体积（1.20–2.00 cm³ g⁻¹）和骨架密度（0.40–0.70 g cm⁻³）的最优协同区间。结论是，通过配体功能化，UMCM-4-NH₂、MUF-8-CH₃和MUF-8-C₄H₄等衍生物实现了高达237 cm³(STP) cm⁻³的超高体积甲烷存储性能，刷新了MOF纪录，并展现出优异的循环稳定性，为高性能甲烷吸附材料的理性设计提供了新范式。