计算化学与人工智能驱动的MOFs性能预测与筛选技术
培训时间：
2026年01月24日-01月25日
2026年01月31日-02月01日
（线上直播授课4天+录播回放+微信群答疑）
1.
写在前面
金属有机框架材料（MOFs）作为一种新兴的多孔晶体材料，在气体吸附与分离、催化、储能、传感等领域展现出巨大潜力。然而，MOFs结构多样、成分复杂，传统实验筛选方法耗时耗力，难以实现大规模高效设计。计算化学与人工智能技术的深度融合，为MOFs的理性设计与性能优化提供了革命性工具。
通过结合量子化学计算、分子模拟与机器学习，研究者能够从海量结构数据中挖掘“结构-性能”关系，预测未知MOFs的吸附、分离、稳定性等关键性质，实现高通量虚拟筛选与定向设计，极大加速新材料发现进程。
为了助力科研人员掌握计算化学与人工智能在MOFs研究中的前沿方法与实战技能，特举办“计算化学与人工智能驱动的MOFs性能预测与筛选技术”专题培训会议。本次培训会议主办方为北京软研国际信息技术研究院，承办方互动派（北京）教育科技有限公司，相关事宜通知如下：
2.
培训对象
材料化学、物理化学、计算化学、化学工程、多孔材料、吸附分离、人工智能与数据科学、能源与环境工程等领域的科研人员、工程师、高校师生及相关行业技术人员。
3.
讲师介绍
来自国内 985 高校的科研团队，长期从事人工智能辅助的科学研究。相关成果发表于《Journal of the American Chemical Society》《npj Computational Materials》《Industrial & Engineering Chemistry Research》等国际高水平期刊，迄今发表SCI检索的论文30篇。擅长将人工智能方法应用于金属有机框架（MOFs）材料的催化与吸附应用研究。
4.
教学特色
1、跨学科融合：整合计算化学、材料科学与人工智能，构建“理论-模拟-数据-模型”一体化研究范式。
2、全流程实战教学：从MOF结构处理、模拟计算到机器学习建模与筛选，覆盖完整研究链路。
3、前沿技术覆盖全面：涵盖DFT计算、分子模拟、传统机器学习、可解释AI、图神经网络等多层次方法。
4、数据驱动与机理理解并重：既强调模型预测能力，也注重通过可解释AI揭示物理化学机制。
5、科研与工程应用结合：提供经典文献复现、虚拟筛选流程、新材料设计策略，助力成果转化与论文发表。
5.
课程详情
|
目录 |
主要内容 |
|
|
第一部分 AI与MOF计算基础及环境搭建 |
1. 关键理论： 1.1. AI 在计算化学中的范式革新：从计算化学到深度学习 1.2. MOF结构-功能关系解析：从金属节点、有机配体的化学特性到宏观吸附、分离性能 1.3. 科学计算与AI工作流整合：数据获取(DB)→结构清洗(Code)→特征计算(Tool)→模型训练(AI)的标准流程 1.4. 量子化学基础：DFT在MOF结构优化、电子结构与吸附位点分析中的应用 案例实践1： ◇ Case 1：使用MOSAEC算法处理CoRE-MOF、QMOF数据库，进行结构合理性校验与数据清洗，确保所有结构满足化学合理性 ◇ Case 2：使用Zeo++计算 MOF 孔结构特征（比表面积、孔隙率等） ◇ Case 3：拓扑分析与化学描述符（开放金属位点、有机配体结构式）批量提取 ◇ Case 4：使用CP2K完成MOF的晶体结构优化，并计算CH4的结合能，为机器学习筛选出来的潜在候选物进行机理解释。 |
|
|
第二部分 分子模拟和高通量计算在MOFs中的应用 |
1. 关键理论： 1.1. 分子模拟核心：力场与电荷分配的物理意义与选择策略 1.2. 分子模拟在揭示MOF吸附与分离机制（吸附位点、扩散路径）中的作用 1.3. 高通量计算：作为AI模型“数据工厂” 的搭建流程与MOF 设计中的应用 案例实践2： ◇ Case 1：使用 RASPA2 计算气体吸附/分离性质 ◇ Case 2：使用 RASPA2计算等温吸附曲线和气体吸附概率密度图 ◇ Case 3： 使用GPU加速的gRASPA实现高通量GCMC模拟，体验“计算产生数据”的规模与效率，并构建后续所需数据集 ◇ Case4：高通量GCMC计算结果的分析与可视化，提取结构-性能对应关系。 文献复现：复现经典文献的高通量筛选流程，讨论如何将结果作为AI模型的输入Large-scale screening of hypothetical metal–organic frameworks. Nature Chem 2012, 4, 83–89 DOI: 10.1038/nchem.1192 |
|
|
第三部分 传统机器学习与可解释AI在MOF中的应用 |
1. 理论部分 1.1. 机器学习在MOF中的QSAR/QSPR模型：结构-性质定量关系 1.2. 特征工程核心：化学描述符（比表面积、孔径等）的物理意义 1.3. 算法深度解析：随机森林（RF）、XGBoost、SVM在吸附预测中的优劣 1.4. 可解释AI前沿：SHAP、SISSO 在挖掘物理机制与发现设计规则中的应用 案例实践3： ◇ Case 1：Python实现XGBoost、SVM、RF模型预测MOF气体吸附分离性质 ◇ Case 2：使用贝叶斯优化算法进行参数调优与特征选择 ◇ Case 3：基于独立筛选和稀疏算子 (SISSO) 算法从高维特征空间中学习简洁且可解释的物理公式 ◇ Case 4：可视化结果：AUC曲线、误差散点图、蜜蜂群图 ◇ Case 5：预测未知MOF的吸附性质，验证模型泛化能力 文献复现：Robust Machine Learning Models for Predicting High CO2 Working Capacity and CO2/H2 Selectivity of Gas Adsorption in Metal Organic Frameworks for Precombustion Carbon Capture J. Phys. Chem. C 2019, 123, 7, 4133–4139 DOI: 10.1021/acs.jpcc.8b10644 |
|
|
第四部分 图神经网络（GNN）与MOF结构-性能建模 |
1. 理论部分 1.1. GNN基础：如何将晶体结构表示为图—节点、边与全局状态的化学信息编码 1.2. 主流GNN模型：CGCNN、MEGNet消息传递机制及在MOF建模中的优势 1.3. 节点/边特征构建：化学键、配位环境、拓扑连通性的编码策略 1.4. GNN的可解释性：如何理解GNN“看到”的化学信息 案例实践4： ◇ Case 1：使用Pymatgen将MOF晶体结构转换为图神经网络所需的张量数据 ◇ Case 2：训练CGCNN或MEGNet模型，预测MOF的吸附性能，并与传统ML对比 ◇ Case 3：GNN可视化：使用t-SNE或主成分分析模型学习到的结构表征 ◇ Case 4：利用训练好的GNN模型，对虚拟MOF数据库（如hMOF）进行快速性能筛选与候选材料推荐 文献复现：Hydrogen storage metal-organic framework classification models based on crystal graph convolutional neural networks, Chemical Engineering Science 2022, 259, 117813. DOI: 10.1016/j.ces.2022.117813 |
|
6.
部分案例图展示
7.
增值服务
1、凡报名学员将获得本次培训电子课件及案例模型文件；
2、培训结束后提供全程录播视频，支持两年内无限次回放；
3、参加培训并通过试的学员，可以获得：主办方北京软研国际信息技术研究院培训中心颁发的《AI-MOFs性能预测工程师》专业技能结业证书；
8.
报名费用
￥4600 元/人
（含报名费、培训费、资料费）
2025年12月31日前报名缴费可享受300元早鸟价优惠
老学员或两人（含）以上团报可享受每人额外200元优惠
【注】费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科纬来智能科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票，可开具会议费发票和发送会议邀请函；
9.
报名方式
讲师招募
互动派教育长期招募讲师，欢迎您的加入！
济济多士，乃成大业，人才蔚起，国运方兴！互动派教育，约您一起，助力中国学术崛起！
这里，会为你创造广阔的发展空间让你大展拳脚！这里，有众多科研学子等待您的传道受业解惑！
快加入我们，让你的梦想与互动派教育相逢吧！
扫描下方二维码，关注我们
互动派教育客服
公众号