报告主题：A comprehensive transformer-based approach for high-accuracy gas adsorption predictions in metal-organic frameworks

主 讲 人：刘佳鹏 助理教授（中山大学）

主 持 人：王 晨

时 间：2025年12月25日（四）16：00

地 点：致知楼三楼东侧会议室

嘉宾简介：

刘佳鹏博士，现任中山大学先进能源学院助理教授。博士毕业于香港科技大学，主要研究方向聚焦于人工智能驱动的新能源材料与器件研发，特别在“利用机器学习方法解析与反演电化学阻抗谱（EIS）”方面取得了系统性创新成果，多项研究成果已集成至行业标杆分析软件DRTtools，在国际电化学界产生了重要影响。迄今为止，刘博士已发表SCI论文60余篇，曾入选中山大学“百人计划”人才项目，先后主持和参与深圳市基础研究项目及多项校企联合研究，在AI+材料/能源交叉领域具有扎实的研究基础。

报告摘要：

气体分离对工业生产和环境保护至关重要，而金属有机框架（MOFs）因其可调控的结构与化学组成而展现出巨大潜力。传统的模拟方法（如分子动力学）复杂且计算量大；基于特征工程的机器学习方法虽有更好表现，但受限于标注数据不足，易出现过拟合。此外，这类方法通常只针对单一任务（如特定条件下的气体吸附量预测），难以充分利用包含多种吸附数据的综合数据集。

为解决这些问题，我们提出了 Uni-MOF，一种面向多任务气体预测的大规模三维 MOF 表征学习框架。Uni-MOF 基于超过 631,000 个已收集的 MOF 与 COF 结构，学习纯三维结构表示，可作为适用于多种 MOF 材料的通用气体吸附量预测器。实验结果表明，Uni-MOF 能自动提取结构特征，并用单一模型预测不同操作条件下的吸附量。在模拟数据上，Uni-MOF 在所有数据集均展现出极高的预测精度，其预测结果也与吸附实验高度一致。此外，Uni-MOF 在其它多种性质预测任务上也展现出广泛的潜在适用性。