COFAP: A Universal Framework for COFs Adsorption Prediction through Designed Multi-Modal Extraction and Cross-Modal Synergy
Zihan Li, Mingyang Wan, Mingyu Gao, Zhongshan Chen, Xiangke Wang and Feifan Zhang
共价有机框架(COF)是气体吸附和分离的有希望的吸附剂,而在其广阔的设计空间中确定最佳结构需要高效的高通量筛选。 传统的机器学习预测器在很大程度上依赖于特定的气体相关特性。 然而,这些功能是耗时的,限制了可扩展性,导致效率低下和劳动密集型的过程。 在这里,提出了一个通用的COF吸附预测框架(COFAP),它可以通过深度学习提取多模态结构和化学特征,并通过交叉模态注意机制融合这些互补特征。 如果没有亨利系数或吸附热,COFAP通过在hyorCOFs数据集上优于以前的方法设置新的SOTA。 基于COFAP,我们还发现用于分离浓缩物的高性能COF在狭窄的孔径和表面积范围内。 还开发了一个可权重调整的优先级计划,以实现研究人员的候选COF的灵活,特定应用的排名。 卓越的效率和精度使 COFAP 可直接部署在晶体多孔材料中。
Covalent organic frameworks (COFs) are promising adsorbents for gas adsorption and separation, while identifying the optimal structures among their vast design space requires efficient high-throughput screening. Conventional machine-learning predictors rely heavily on specific gas-related features. However, these features are time-consuming and limit scalability, leading to inefficiency and labor-intensive processes. Herein, a universal COFs adsorption prediction framework (COFAP) is proposed, w...