储氢、导热、储气、二氧化碳和水封存——金属有机骨架 (MOF) 具有非凡的性能，因为它们具有独特的微孔晶体结构，尽管体积小，但表面积却非常大。这使得它们在研究和实际应用方面极具吸引力。然而，MOF 是非常复杂的系统，到目前为止，需要大量的时间和计算能力才能准确模拟。

现在，由格拉茨技术大学 (TU Graz) 固体物理研究所的 Egbert Zojer 领导的团队利用机器学习显著改进了这些模拟，从而大大加速了新型 MOF 的开发和应用。研究人员已在npj 计算材料上发表了他们的方法。

以前用量子力学方法的精度进行模拟是不现实的

“为了模拟 MOF 的某些特性，必须模拟巨大的超级单元。例如，这适用于计算 MOF 中的热传导，这与几乎所有应用都高度相关，”Egbert Zojer 在描述必须解决的挑战时说道。

“模拟的超级细胞通常包含数万甚至数十万个原子。对于这些巨大的系统，需要求解五百万到一千万次运动方程。这远远超出了当今使用可靠量子力学方法的计算能力。”

因此，到目前为止，通常使用基于实验参数化的可转移力场进行此类计算。然而，用这种力场得到的结果通常不够可靠。

现在，通过使用机器学习势能，这一情况得到了根本性改变。这些势能通过利用新开发的现有算法(包括维也纳大学开发的方法)的相互作用，适应量子力学模拟。对于必要的特定材料机器学习势能，量子力学模拟仅需针对相对较少且明显较小的结构进行。

因此，计算速度提高了几个数量级，现代超级计算机可以对巨大超级单元中的力进行数百万次模拟。与使用量子力学方法进行模拟相比，这里的关键优势在于准确度没有损失。