[论文解读] Hierarchical Crystal Structure Prediction of Zeolitic Imidazolate Frameworks Using DFT and Machine-Learned Interatomic Potentials

Yizhi Xu, Jordan Dorrell+5 more|arXiv (Cornell University)|Jan 8, 2026

Metal-Organic Frameworks: Synthesis and Applications被引用 0

一句话总结

该论文使用 DFT 指导数据和机器学习的原子间势能来进行 ZnIm2 ZIF 的分层晶体结构预测（CSP），以探测庞大的晶体能量景观，识别成千上万的极小值和许多新拓扑。

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.

研究动机与目标

• 将晶体结构预测作为设计金属有机框架（MOFs）的工具的驱动。
• 展示用于高通量 CSP 的能力，以绘制 ZnIm2 ZIF 的能量景观。
• 显示 MLIPs 能实现接近于 DFT 的准确性的大规模采样。
• 通过拓扑、密度与孔隙分析识别有希望的结构目标。
• 展示通过比对预测结构与实验粉末模式来识别机化学 MOFs 的可能性。

提出的方法

• 使用 CSP 生成并抽样超过 3 百万次随机生成的 ZnIm2 晶体堆积排列。
• 应用自训练的机器学习原子间势（MLIPs）快速评估结构能量。
• 识别能量极小值并将其分类为 1484 种网络拓扑，其中 855 种为新拓扑。
• 进行拓扑分析、密度与孔隙度评估以筛选有前景的目标。
• 将预测结构与 experimentally-reported ZnIm2 形式进行比较，在搜索边界内匹配除了一个以外的所有结构。
• 展示如何通过比对模拟与实验粉末衍射模式来识别机化学 MOF 的结构。

实验结果

研究问题

• RQ1 CSP 结合 MLIPs 能否在规模上有效地绘制 ZnIm2 ZIFs 的晶体能量景观？
• RQ2 在 CSP 的搜索空间中，ZnIm2 存在多少个独特的网络拓扑和能量极小值？
• RQ3 CSP 预测的结构在多大程度上与实验观测的 ZnIm2 形式一致？
• RQ4 拓扑、密度和孔隙度指标是否能识别实验相关或可合成的目标？
• RQ5 通过粉末衍射匹配，预测的结构是否能在机化学合成的实验模式中被识别？

主要发现

• 识别出 9609 个能量极小值，其特征为 1484 种网络拓扑。
• 在其中，855 种拓扑为此前未报道过的。
• 除一个外，所有实验性报道的 ZnIm2 结构均落在搜索边界内，并被预测结构匹配。
• 高通量 CSP 结合 MLIPs 能有效采样实验相关的 ZIF 结构。
• 分析产生了一组代表未来实验筛选有前景的结构。
• 演示了如何将预测结构与实验粉末衍射模式匹配，以识别机化学合成的 MOFs。