カーボンキャプチャーシミュレーションのためのユニバーサル機械学習原子間ポテンシャルの準備状況

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Materials scientists and computational chemists should adopt the error decomposition protocol to improve ML potentials for adsorption.

🏢実務担当者:Companies engaged in carbon capture material discovery can use this benchmark to select appropriate simulation methods.

ナノ多孔質材料は、吸着による選択的炭素回収のための調整可能なプラットフォームを提供し、最適な候補の特定には、ホスト–ゲスト相互作用の正確かつ転移可能なモデルに基づく計算スクリーニングが必要である。古典的力場（FF）は迅速な大規模スクリーニングを可能にしてきたが、困難な系に対するそのような相互作用を正確に記述することはできず、ユニバーサル機械学習原子間ポテンシャル（u-MLIP）はこのギャップを埋めることが期待されるものの、化学的に多様な骨格構造にわたって巨視的な吸着観測量を予測する能力は、依然としてほとんど未探求のままである。ここでは、剛直な開孔、開放金属サイト、および閉じ込められた小細孔のクラスにわたる9種類の金属–有機構造体（MOF）に対する実験的なCO2吸着データを用いて25種類のu-MLIPをベンチマークし、評価した汎用モデルでは定量的な等温線予測が依然として達成不可能であることを見いだした。失敗は、MOF–CO2相互作用とCO2–CO2相互作用という2つの異なる誤差源に起因し、その相対的な寄与は骨格構造の化学的特性に応じて変化するため、等温線の精度は単一のエネルギー指標から推測できないことを示す。剛直な開孔および閉じ込められた小細孔MOFではMOF–CO2誤差が支配的である一方、開放金属サイト（OMS）を有する強く相互作用する骨格構造では、MOF–CO2とCO2–CO2の両方の記述が支配因子となり、2つの誤差源間の誤差相殺によって、物理的に誤った理由でシミュレーション上正確な等温線が生成され得る。モデルが定量的精度に達するかどうかは、アーキテクチャのみではなくデータセット構成によって決まり、明示的なMOF–CO2および多分子CO2配置で訓練されたモデルが最も一貫した性能を示す。ここで導入した評価プロトコルは、2つの誤差源を分離し、u-MLIPを炭素回収のための信頼性の高い計算スクリーニングへと前進させるための具体的な道筋を定義する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Nanoporous materials offer a tunable platform for selective carbon capture through adsorption, and identifying the best candidates requires computational screening built on accurate and transferable models of host–guest interactions. Classical force fields (FFs) have enabled rapid large-scale screening but fail to accurately describe such interactions for challenging systems, and while universal Machine-Learned Interatomic Potentials (u-MLIPs) promise to bridge this gap, their ability to predict macroscopic adsorption observables across chemically diverse frameworks remains largely underexplored. Here we benchmark 25 u-MLIPs against experimental CO2 adsorption data for nine metal–organic frameworks (MOFs) spanning rigid open-pore, open-metal-site, and confined small-pore classes, and find that quantitative isotherm prediction remains out of reach for the evaluated general-purpose models. We show that failures trace to two distinct error sources, the MOF–CO2 and the CO2–CO2 interactions, whose relative contribution shifts with framework chemistry, so that isotherm accuracy cannot be inferred from any single energy metric. In rigid open-pore and confined small-pore MOFs, the MOF–CO2 error dominates, while in strongly interacting frameworks with open metal site (OMS) both MOF–CO2 and CO2–CO2 descriptions become controlling factors, and error cancellation between the two sources can produce simulated accurate isotherms for physically incorrect reasons. Dataset composition, rather than architecture alone, determines whether a model reaches quantitative accuracy, and models trained on explicit MOF–CO2 and multi-molecule CO2 configurations perform most consistently. The evaluation protocol introduced here separates the two error sources and defines concrete paths for advancing u-MLIPs toward reliable computational screening for carbon capture.

• openalex https://doi.org/10.26434/chemrxiv.15006048/v1first seen 2026-07-16 05:22:01