据外媒报道，在由密歇根大学（University of Michigan）领导的一项研究中，研究人员开发出新方法，利用机器学习来寻找可以存储甲烷的材料。这将有助于加速将甲烷用作更清洁的汽车替代燃料。

（图片来源：密歇根大学）

与汽油相比，甲烷的能量密度更高，碳足迹低25%，但它在室温下是气体状态，难以进行储存。目前为止，甲烷一直被储存在重型高压罐中或低温温度下。这使其实际用作燃料替代品受到阻碍。最近，人们探索将共价有机框架（COF，一类轻量化多孔材料）作为替代存储方法，其工作原理是使甲烷附着在这种材料的表面。虽然研究人员已经通过高通量计算筛选确定了潜在COF，但大量的可能性和对广泛仿真的需求使其发展受限。密歇根大学机械工程学副研究员Alauddin Ahmed表示：“人们对更清洁的能源解决方案的需求日益迫切。这促使我开发创新、易用且高效的工具，以优化甲烷存储材料。”

新方法将机器学习与符号回归（symbolic regression）相结合，符号回归是一种寻找最佳数学方程来描述观测数据集的分析类型。由此产生易于解释的方程式，可以高精度预测甲烷存储容量，其平均绝对百分比误差为4.2%。Ahmed表示：“通过优先考虑物理、有意义和可测量的特征，我们使实验者更容易直接应用这些模型，从而能够更广泛地参与该领域，并加速开发高性能材料。”

这些高保真模型识别出数百种性能优异的COF，其中一些达到美国能源部（U.S. Department of Energy）的甲烷存储目标。这些模型弥合了计算材料发现与实际应用之间的差距，使研究人员能够快速识别有前景的甲烷存储材料，而不必依赖昂贵且耗时的仿真。

这项研究评估了84800种潜在COF，标志着符号回归首次应用于大型数据集。这受益于多阶段计算工作流程，通过识别较大数据集（例如400种COF）的代表性子集来进行符号回归，从而减少计算需求。Ahmed表示：“考虑到数据集的大小和COF多样性，研究人员预计符号回归模型可能难以应对数据集的复杂性。令人惊讶的是，这一多阶段策略的工作效率非常高，使算法能够推导出可解释的方程，即使在看不见的数据上也能保持高预测精度。”

该多阶段方法还具有灵活性，允许方程随着新数据的出现而演变。这种模型的适应性为优化固态吸附剂（如COF）或其他领域（如可再生储能、燃料电池和先进电池等）提供了可扩展框架。该机器学习和符号回归组合也可以进行调整以适应其他领域，如催化、制药或各种涉及材料结构及其性质之间复杂关系的领域。

为了实现开放式科学，这项研究中使用的所有数据集均可在Zenodo存储库中公开获取。此研究使用RASPA和SISSO等开源软件进行仿真和符号回归。