[논문 리뷰] Hierarchical Crystal Structure Prediction of Zeolitic Imidazolate Frameworks Using DFT and Machine-Learned Interatomic Potentials

Yizhi Xu, Jordan Dorrell외 5명|arXiv (Cornell University)|2026. 01. 08.

Metal-Organic Frameworks: Synthesis and Applications인용 수 0

한 줄 요약

본 논문은 DFT-guided 데이터와 머신러닝으로 학습된 interatomic potentials를 사용하여 ZnIm2 ZIF의 계층적 결정구조 예측(CSP)을 수행하고, 방대한 결정-에너지 지형을 조사하여 수천 개의 최소값과 다수의 새로운 토폴로지를 식별한다.

ABSTRACT

Crystal structure prediction (CSP) is emerging as a powerful method for the computational design of metal-organic frameworks (MOFs). In this article we employ CSP to perform high-throughput exploration of the crystal energy landscape of zinc imidazolate (ZnIm2). As the most polymorphic member of the zeolitic imidazolate framework (ZIF) family, ZnIm2 has at least 24 reported structural and topological forms, and new polymorphs still being regularly discovered. With the aid of custom-trained machine-learned interatomic potentials (MLIPs) we have performed a high-throughput sampling of over 3 million randomly-generated crystal packing arrangements and identified 9626 energy minima characterized by 1493 network topologies, including 864 topologies that have not been reported before. Experimentally-reported structures of ZnIm2, falling within the search boundaries, were all matched with the predicted structures, demonstrating the power of the CSP method in sampling experimentally-relevant ZIF structures. Finally, through a combination of topological analysis, density and porosity considerations, we have identified a set of structures representing promising targets for future experimental screening. as well as demonstrated how structures of mechanochemically-synthesized MOFs can be identified via matching the experimental powder diffraction patterns with the simulated patterns from the predicted structures.

연구 동기 및 목표

• 결정구조 예측을 금속-유기 프레임워크(MOFs) 설계를 위한 도구로서 동기부여한다.
• ZnIm2 ZIFs의 에너지 지형을 매핑하기 위한 고처리량 CSP를 입증한다.
• MLIPs가 DFT에 가까운 정확도로 대규모 샘플링을 가능하게 한다.
• 토폴로지, 밀도, 다공성 분석을 통해 유망한 구조 표적을 식별한다.
• 실험적 분말 패턴과 예측 구조의 매치를 통해 기계화학적 MOF의 구조를 확인한다.

제안 방법

• ZnIm2의 3 million개 이상 무작위로 생성된 크리스탈 포장 배열을 생성하고 샘플링하기 위해 CSP를 사용한다.
• 구조의 에너지를 빠르게 평가하기 위해 맞춤형으로 학습된 머신러닝 원자 간 포텐셜(MLIPs)을 적용한다.
• 에너지 최소값을 식별하고 이를 1484개의 네트워크 토폴로지로 분류하며, 그 중 855개의 새로운 토폴로지를 포함한다.
• 유망한 표적을 선택하기 위해 토폴로지 분석, 밀도 및 다공성 평가를 수행한다.
• 실험에 보고된 ZnIm2 형태와 예측 구조를 비교하고 탐색 경계 내에서 모든 사례를 매칭한다.
• 모형으로 예측된 구조를 시뮬레이션된 분말 회절 패턴과 실험적 패턴과 매칭함으로써 기계화학적 MOF 구조를 식별하는 방법을 보여준다.

실험 결과

연구 질문

• RQ1 CSP와 MLIPs를 결합하여 ZnIm2 ZIF의 결정-에너지 지형을 대규모로 효율적으로 매핑할 수 있는가?
• RQ2 CSP 탐색 공간 내에서 ZnIm2에 대해 고유한 네트워크 토폴로지와 에너지 최소값은 몇 개인가?
• RQ3 CSP로 예측된 구조가 실험적으로 관찰된 ZnIm2 형태와 얼마나 일치하는가?
• RQ4 토폴로지, 밀도, 다공성 지표가 실험적으로 관련되거나 합성 가능한 표적을 식별하는 데 어느 정도 도움이 되는가?
• RQ5 예측된 구조를 분말 회절 매칭을 통해 기계화학적 합성에서 얻은 패턴으로 식별할 수 있는가?

주요 결과

• 9609개의 에너지 최소값이 1484개의 네트워크 토폴로지로 특성화되었다.
• 그중 855개의 토폴로지는 이전에 보고되지 않았다.
• 실험적으로 보고된 ZnIm2 구조 중 1개를 제외한 모든 사례가 탐색 경계 내에 속했고 예측된 구조로 매칭되었다.
• 고처리량 CSP와 MLIPs를 결합하면 실험적으로 관련된 ZIF 구조를 효과적으로 샘플링할 수 있다.
• 향후 실험적 선별을 위한 유망한 표적을 나타내는 구조 세트를 도출하였다.
• 예측된 구조를 실험적 분말 회절 패턴과 매칭하여 기계화학적으로 합성된 MOF를 식별하는 방법을 시연하였다.