据报道，由该校和美国西北大学组成的研究团队，利用机器学习技术开发了一个自动化材料发现平台，有助于加快材料的设计周期。相关论文已在《自然-机器智能》（Nature Machine Intelligence）上发表。

    网状框架是通过在不同拓扑结构中分子构建块的自组装而形成的结晶多孔材料，其中许多具有气体存储、分离、催化以及生物医学等应用所需的特性。研究团队开发了一种由超分子变体自编码器支持的自动化纳米多孔材料发现平台，用于网状材料的生成设计。在该研究中，研究人员用一类金属有机框架（MOF）结构演示了自动化设计过程，并实现了从天然气或烟道气中分离出二氧化碳的目标。该模型在捕获MOF结构特征方面显示出很高的保真度。研究表明，当与多个气体分离最佳吸附剂候选物共同训练时，自动编码器具有良好的优化能力。利用该平台发现的MOF材料与迄今已知的某些MOF材料相比具有很强的竞争力。

    研究的主要作者，多伦多大学文理学院化学系和计算机科学系博士后姚振鹏称，该平台可用于生成各种分子框架设计，显著缩短用于某种特定用途的最佳材料的识别时间。

    加拿大高等研究院（CIFAR）人工智能首席科学家、加拿大150理论化学研究主席（Canada 150 Research Chair in Theoretical Chemistry）艾伦·阿斯普鲁·古兹克（Alan Aspuru-Guzik）教授说，网状材料的设计极具挑战性，因为面临着晶体建模和分子建模交织在一起的困难。这种网状化学方法是多伦多大学利用人工智能加速材料开发的一个范例。利用AI模型可以想象或建议（'dream' or suggest）新颖材料，超越传统的基于库的筛选方法。

    研究的共同作者、西北大学工程学院化学与生物工程系主任兰德尔·斯努尔（Randall Snurr）称，我们过去是通过计算从候选库中筛选出最佳材料。现在这种协同开发的自动化材料发现平台，比对数据库中所有材料进行“蛮力”（'brute force'）筛选效率更高。更重要的是，该方法使用机器学习算法，从数据中学习探索材料空间，实际上提出了原本没有想到的新材料。

    该研究得到了美国能源部科学办公室、加拿大机械加工技术研究与创新网络（Canadian Network for Research and Innovation in Machining Technology）以及加拿大自然科学与工程研究理事会（NSERC）的支持。