QMOF金属有机框架量化数据库

casjxm

1. 数据库背景与目标
•        核心问题：金属有机框架（MOF）的量子化学性质（如带隙、电荷分布）计算依赖耗时的高通量密度泛函理论（DFT），阻碍大规模材料筛选。
•        解决方案：构建首个专注于MOF量子化学性质的公共数据库 QMOF，包含 14,000+ 实验合成MOF 的DFT优化结构与计算属性。
•        目标：
o        提供标准化量子化学数据集，加速机器学习模型开发。
o        支持逆向设计MOF（如靶向低带隙材料）。
o        填补MOF电子结构性质数据库的空白（对比无机材料的Materials Project/OQMD）。


2. 数据生成与内容
(1) 数据来源
•        原始结构：从实验晶体库（如CoRE MOF）筛选 42,349个MOF，剔除不完整结构后保留 14,482个。
•        高通量DFT计算：
o        方法：PBE-D3(BJ)泛函，VASP软件包。
o        计算量：耗时超 170 CPU年（优化晶胞参数与原子位置）。
o        验证：92.4%原子电荷弛豫前后差异 <0.05 qₑ。
(2) 数据内容
属性类别     具体参数
几何结构     优化后的晶胞参数、原子坐标、键长/键角
电子性质     带隙（Eg）、态密度（DOS）、能带结构
电荷分布     原子电荷（DDEC6）、键级、自旋密度
能量信息     总能量、形成能
其他            磁性状态（高/低自旋）、孔隙率、框架稳定性
(3) 关键统计特征
•        元素覆盖：涵盖周期表多数元素，Cu/Zn/Cd节点占比最高。
•        带隙分布：双峰分布（峰值0.9 eV和2.9 eV），高自旋MOF带隙普遍更低。
•        低带隙MOF：筛选出Eg<1.5 eV的候选材料（如含铁/TCNQ衍生物MOF）。


3. 技术方法与创新
(1) 高通量计算流程
•        结构预处理：移除溶剂分子，修复原子缺失/重叠问题。
•        多阶段优化：分步弛豫晶胞体积与原子位置。
•        性质计算：采用一致性方法计算带隙、电荷密度等。
(2) 机器学习集成
•        特征工程：
o        结构描述符：SOAP（局部原子环境）、晶体图（CGCNN）。
o        组成描述符：化学计量特征（Stoichiometric-120）。
•        模型性能：
模型   带隙预测MAE(eV)     最优场景
CGCNN        0.27        高精度回归（R²=0.88）
SOAP+KRR        0.36        结构相似性分析
化学计量特征+KRR        0.43–0.44        快速初筛
(3) 无监督分析
•        降维可视化：UMAP算法揭示结构-性质关联。
o        SOAP-UMAP：按有机连接子聚类，识别低带隙区域（如TCNQ基MOF）。
o        化学计量-UMAP：按最大原子序数分区，Zn-MOF带隙普遍低于Fe-MOF。


4. 应用案例
(1) 靶向低带隙MOF发现
•        筛选策略：CGCNN预测全库带隙 → HSE06-D3(BJ)验证低Eg候选。
•        典型案例：
o        TTF-Rh-TCNQ（WAQMEJ）：Eg=0.71 eV，自由基连接子提升导电性（图7D）。
o        Fe(bipytz)(Au(CN)₂)₂（LOJLAZ）：高自旋态Eg=1.17 eV → 低温自旋转变后Eg=1.95 eV，具温度调控带隙特性。
(2) 高自旋铁位点MOF
•        筛选结果：6种含高自旋Fe的MOF，其中：
o        Fe₂(dobdc)（COKNOH）和 Fe₂(dobpdc)（MALSIE）已验证为高效C-H键氧化催化剂。
o        Fe(bipytz)(Au(CN)₂)₂（LOJLAZ）具自旋交叉行为，拓展电子调控维度。


5. 创新价值与影响
•        首个性质量子化学库：填补MOF电子结构数据空白，推动“材料基因组”计划。
•        加速材料设计：
o        ML模型秒级预测带隙（对比DFT小时级计算）。
o        支持逆向设计（如导电MOF、光催化材料）。
•        开源共享：
o        数据库地址：QMOF GitHub
o        数据托管：Figshare（DOI: 10.6084/m9.figshare.13147324）
•        未来扩展：计划纳入更多MOF体系及多尺度性质（如载流子迁移率）。


6. 总结
QMOF数据库通过融合高通量DFT与机器学习，实现了MOF量子化学性质的高效预测与靶向筛选。其核心贡献在于：
1.        标准化数据集：14,000+ MOF的DFT优化结构与电子性质。
2.        ML模型优化：CGCNN模型带隙预测MAE低至0.27 eV。
3.        应用导向：成功识别低带隙MOF（如Fe基框架），支撑电子/能源材料设计。
4.        社区驱动：开源数据与代码促进协同创新，推动MOF逆向设计范式变革。


引用：
Rosen, A. S. et al. Machine Learning the Quantum-Chemical Properties of
Metal–Organic Frameworks for Accelerated Materials Discovery. Matter 4,
1578–1597 (2021)