资讯| 打破“数据孤岛”， AI赋能多孔材料吸附报告

01

背景介绍

21世纪，全球面临着前所未有的能源、环境和可持续发展挑战。从气候变化带来的极端天气，到日益增长的能源需求，再到水资源短缺和环境污染，这些问题迫切需要创新的科学解决方案。在众多前沿科技中，多孔材料（图1）以其独特的物理化学性质，正逐渐成为解决这些全球性难题的关键。这些材料内部充满了微小孔隙，拥有巨大的比表面积，使其在吸附、分离、催化、储能等领域展现出卓越的性能。

图1. 多孔材料

多孔材料的家族成员众多，且仍在不断壮大。传统的材料如沸石和活性炭，因其成熟的制备工艺和广泛的应用，在工业界占据重要地位。而近年来，随着材料科学的飞速发展，一系列新型多孔材料如金属有机框架（MOFs）、共价有机框架（COFs）以及各种多孔聚合物（如PAFs、PIMs等）和二维材料异军突起（图2）。这些新材料通过精密的分子设计和合成，能够实现对孔隙结构、尺寸和表面化学性质的精确调控，从而在特定应用中表现出更优异的性能。例如，MOFs和COFs因其高度可调的结构和巨大的孔容，在二氧化碳捕获、氢气储存、甲烷分离以及水净化等领域备受关注。它们不仅能高效吸附有害气体和污染物，还能作为催化剂载体，促进化学反应的进行，为构建可持续发展的社会提供了强大的物质基础。

图2. 先进多孔材料对社会的技术作用

多孔材料的应用范围极其广泛，它们是实现碳捕获与储存（CCS）、氢能经济、高效水处理以及空气净化等前沿技术的关键（图2）。但是，其发展过程中也面临着一个严峻的挑战：吸附数据的报告缺乏统一标准。吸附表征是理解多孔材料性能和功能性的核心手段，通过测量材料对气体或液体分子的吸附能力，可以获得比表面面积、孔径分布、孔体积等关键参数。然而，在当前的科学文献中，吸附数据的报告方式五花八门，常常存在数据呈现形式单一、术语和量纲定义模糊、实验细节描述不充分和图表标注不明确等问题。

这些问题共同导致了科学数据的可发现性（Findable）、可访问性（Accessible）、可互操作性（Interoperable）和可复用性（Reusable），即FAIR原则的难以实现。低质量的数据报告不仅阻碍了研究成果的有效传播和知识积累，也限制了人工智能（AI）和机器学习等先进数据分析工具在材料发现和过程匹配中的应用潜力。为了应对这一挑战，科学界迫切需要建立一套规范化的数据报告最佳实践。该文献深入探讨多孔材料吸附数据报告的现状、挑战以及如何通过采纳国际最佳实践和标准化工具（如吸附信息文件AIF）来提升数据质量和科学研究的效率（图3）。

图3. 通过 AIF 数字化对吸附数据进行 FAIR 数据管理的概念方法

02

图文解析

1. FAIR原则与AIF标准：让科学数据“活”起来

在数据驱动的科研时代，FAIR原则——即可发现性（Findable）、可访问性（Accessible）、可互操作性（Interoperable）和可复用性（Reusable）——已成为衡量科学数据价值的黄金标准。对于多孔材料研究领域而言，吸附数据是评估材料性能、指导新材料设计的核心依据。然而，传统的数据报告方式往往支离破碎、缺乏规范，导致大量宝贵数据沦为“一次性”信息，难以被有效利用，极大地阻碍了科学进步的步伐。这些问题具体表现为：数据“藏在深闺”、语言“鸡同鸭讲”、过程“雾里看花”。为了解决这些长期存在的痛点，国际纯粹与应用化学联合会（IUPAC）牵头制定了吸附信息文件（Adsorption Information File, AIF）标准。AIF是一种基于STAR（Self-defining Text Archive and Retrieval）文件格式的标准化报告框架，旨在全面、系统地捕获吸附实验和模拟中的所有关键数据和元数据（图3）。其核心目标是将每一份吸附数据都打造成一个完整、透明、可追溯的“数字档案”，从而真正实现FAIR原则。

2.实验数据报告最佳实践：告别模糊，拥抱严谨

高质量的实验数据是科学研究的生命线。为了确保吸附数据的严谨性和透明度，AIF标准对实验报告的每一个环节都提出了明确的要求。

2.1样品预处理：吸附实验的“净化”

样品预处理是吸附实验前至关重要的一步，其目的是去除材料孔隙中的杂质和残留溶剂，确保材料处于“干净”的活化状态（图4）。因此，AIF要求详细记录预处理的每一个细节，如同记录一份精确的“净化档案”，包括：方法与条件和质量变化。

图4. AIF 文件结构示意图，其中显示了包含元数据和吸附点的各个部分

2.2测量条件：精确控制的艺术

吸附实验的每一个参数都可能影响最终结果。AIF要求对测量条件进行“像素级”的精确记录，包括样品与吸附质、温控与压力和平衡判断。

2.3低压等温线：揭示孔隙结构的“指纹图谱”

低压吸附等温线（通常使用氮气或氩气作为探针分子）是表征多孔材料比表面积、孔径分布和孔体积等关键结构参数的“金标准”。根据IUPAC的分类标准，指出等温线的类型（如I型、IV型），并结合其形状解释材料的孔隙特征（微孔、介孔、大孔等）。在报告孔径分布时，必须说明所使用的计算模型（如BJH、DFT、NLDFT）以及所选模型的具体参数和假设。不同的模型可能得出截然不同的孔径分布结果，因此透明化模型选择至关重要。

图5. 典型的等温线

2.4高压等温线：厘清储能与分离性能的“三重门”

高压吸附是评估材料在气体储存（如储氢、储甲烷）和高压分离应用中性能的关键。然而，高压吸附数据报告中最常见的混淆来自于对“过量吸附”、“总吸附”和“绝对吸附”三个概念的误用。报告高压等温线时，必须明确指出所报告的是哪种吸附量，并提供计算所需的吸附质密度数据和所使用的模型。混淆这三个概念将导致对材料性能的严重误判。

图6. 势能面 (PES) 与吸附质和吸附剂自由度的关系图

3.计算数据报告最佳实践：架起模拟与现实的桥梁

计算模拟（如分子动力学MD、蒙特卡罗MC，图7）已成为与实验并驾齐驱的研究手段。为了确保计算结果的可重复性和可信度，AIF同样为计算数据报告制定了严格的规范。通过AIF将计算的“配方”和“过程”完全透明化，可以确保计算结果能够被他人验证和复现，从而真正实现计算与实验的有效结合。

图7. 对吸附热力学相空间进行采样的方法：分子动力学（MD）作为吸附剂-吸附物PES上的确定性行走者，以及通过在吸附剂中随机插入吸附质的蒙特卡罗（MC）

03

总结

文章指出多孔材料吸附数据报告的问题，提供了一套系统、可行且面向未来的解决方案：以FAIR原则为指导思想，以吸附信息文件（AIF）为具体实践工具，构建一套全新的、标准化的数据报告生态系统。更重要的是，高质量、机器可读的AIF数据，将为人工智能（AI）和机器学习在材料科学领域的应用打开一扇全新的大门。AI将不再是“无米之炊”，而是能够从海量、规范的数据中学习规律，预测新材料的性能，从而颠覆传统的“试错式”研究范式，加速新材料的发现和设计进程。

参考文献：

Daniel W. Siderius, Jack D. Evans, Paul Iacomi, Louis Vanduyfhuys, Veronique Van Speybroeck, Volodymyr Bon, Stefan Kaskel, Best-Practice Reporting for Porous Materials Adsorption Data, Angewandte Chemie International Edition, 2025, e202513606. https://doi.org/10.1002/anie.202513606.

声明：

1. 版权：推送内容仅供学习交流分享使用，无任何商业用途，如有侵权，请联系后台删除或修改，感谢支持。

2. 投稿：非常欢迎各位老师在公众号上介绍课题组前沿或经典研究成果！后台或邮箱联系即可！