Metal-organik çerçeveler (MOF), son derece gözenekli yapıları sayesinde gaz depolama ve ayırma işlemlerinde büyük potansiyel taşıyan malzemelerdir. Özellikle CO₂ adsorpsiyonu açısından umut verici olan bu malzemelerin performansını önceden tahmin etmek, deneme-yanılma maliyetlerini düşürmek adına kritik önem taşıyor.
Yeni bir çalışmada araştırmacılar, makine öğrenmesi ile sembolik regresyonu birleştiren özgün bir strateji geliştirdi. Önce dört farklı makine öğrenmesi modeli, 1.000 örnekli nispeten küçük bir veri seti üzerinde eğitildi. SHAP değerleri ve özellik önem analizleri kullanılarak en belirleyici beş yapısal tanımlayıcı tespit edildi: en büyük boşluk çapı, gözenek sınırlama çapı, boşluk oranı, gravimetrik yüzey alanı ve hidrojen atomu sayısı.
Sembolik regresyon aşamasında ise bu tanımlayıcılardan yola çıkılarak sade bir formül elde edildi: Q = aA. Burada 'a' adsorpsiyon taban değerini (mmol/g), 'A' ise dört yapısal tanımlayıcıyı barındıran boyutsuz bir adsorpsiyon sayısını temsil ediyor. Araştırmacılar A'yı, adsorpsiyon bağlanma kuvvetinin difüzyon sürücü kuvvetine oranı olarak yorumluyor. Bu yorum, gözenek topolojisi ile yüzey kimyasının adsorpsiyonu nasıl ortaklaşa şekillendirdiğini anlamayı kolaylaştırıyor.
Formülün geçerliliği, 137.652 hipotetik MOF'u kapsayan kapsamlı bir veri setiyle sınanarak doğrulandı. Elde edilen tutarlılık, yöntemin gerçek malzeme tasarımında kullanılabilirliğine işaret ediyor.
Bu yaklaşımın en önemli katkısı, karmaşık hesaplamalar gerektirmeden ve fiziksel içgörüden yoksun kalmadan hızlı tarama yapılabilmesine olanak tanımasıdır. Karbon yakalama ve depolama teknolojilerinin iklim hedeflerine ulaşmada üstlendiği rol düşünüldüğünde, yeni nesil MOF malzemelerini daha verimli biçimde tasarlamaya yardımcı olacak bu tür araçların değeri büyük.