终极指南：如何利用QMOF数据库加速金属-有机框架材料发现？

【免费下载链接】QMOF 项目地址: https://gitcode.com/gh_mirrors/qm/QMOF

QMOF数据库（Quantum MOF Database）是一个包含20,000+金属-有机框架（MOFs）量子化学性质的开源数据集，通过高通量周期性密度泛函理论（DFT）计算生成，所有MOFs均经过DFT优化，可直接用于材料筛选、性能预测和机器学习模型训练。

🌟 QMOF数据库核心价值：为什么它是材料科学家的必备工具？

QMOF数据库为科研人员提供了前所未有的海量高质量数据支持，涵盖从基础性质到高级应用的全链条需求。无论是新材料设计、催化性能预测还是机器学习模型开发，都能在此找到关键数据支撑。

图1：QMOF数据库的数据生成与应用流程示意图，展示了从DFT计算到材料发现的完整链路

✅ 20,000+ DFT优化结构：数据规模与质量的双重保障

所有MOFs结构均通过严格的DFT优化流程获得，确保几何结构、能量、电荷密度等关键性质的准确性。数据库持续更新，最新版本已包含20,000+个MOFs，覆盖实验合成与理论假设的多样化结构。

🛠️ 多维度量子化学性质：一站式数据获取

提供完整的材料性质数据集，包括：

• 基础性质：晶格参数、原子坐标、形成能
• 电子性质：能带结构、费米能级、态密度（DOS）
• 化学性质：部分原子电荷、键级、磁矩
• 原始计算文件：VASP输入输出文件、波函数数据

🚀 快速上手：QMOF数据库的核心功能模块

1️⃣ 数据库工具集（database_tools/）：数据处理与格式转换

该模块提供系列实用脚本，帮助用户高效处理MOF数据：

• 结构转换：cifs_to_xyz.py（CIF转XYZ格式）、xyz_to_cifs.py（XYZ转CIF格式）
• 数据清洗：deduplicate.py（重复结构去重）、lone_atom_check.py（孤立原子检测）
• 结构优化：make_primitive.py（生成原胞结构）、ase_formatter.py（ASE格式处理）

2️⃣ 机器学习工具包（machine_learning/）：从数据到模型的全流程支持

针对不同应用场景提供多种特征生成与建模工具：

🔹 结构表征方法

• SOAP核函数（soap_kernel/）：生成平滑重叠原子位置（SOAP）描述符
• 正弦矩阵（sine_matrix/）：基于元素属性的结构矩阵表征
• 轨道场矩阵（orbital_field_matrix/）：考虑电子轨道相互作用的特征生成

🔸 建模工具

• 核岭回归（KRR）：soap_krr.py、ofm_krr.py等模型训练脚本
• 学习曲线分析：soap_learning_curves.py、sine_matrix_learning_curves.py
• 降维可视化：umap/umap_reduction.py（UMAP降维分析）

图2：不同机器学习模型在QMOF数据集上的预测性能对比（数据来源于benchmarks.md）

3️⃣ DFT计算工作流（other/dft_workflow/）：标准化计算流程

提供可复用的DFT计算模板与作业管理工具：

• 结构筛选：mof_screen/（MOF稳定性筛选工具）
• 作业提交：runner/opt.py（VASP优化作业脚本）
• 路径分析：mofpath/（MOF结构路径生成工具）

💻 实战教程：3步开启QMOF数据库之旅

1️⃣ 数据库获取：快速克隆项目仓库

git clone https://gitcode.com/gh_mirrors/qm/QMOF
cd QMOF

2️⃣ 数据探索：关键文件说明

• 核心文档：data_sources.md（数据源说明）、benchmarks.md（性能基准测试）
• 更新日志：updates.md（版本更新记录）
• 示例数据：other/example_dos/（态密度计算示例）

3️⃣ 常用工具使用示例：以SOAP特征生成为例

# 进入SOAP核函数目录
cd machine_learning/soap_kernel
# 生成SOAP矩阵特征
python soap_matrix_generator.py --input_path ../../data --output_path ./features

📚 高级应用：QMOF数据库的创新用法

🔬 材料筛选：基于机器学习的高通量预测

利用machine_learning/krr.py模块，可快速构建性能预测模型。例如：

# 训练能带隙预测模型
from soap_krr import train_krr_model
model = train_krr_model(training_data="ofm_features.csv", target_property="band_gap")

📊 数据可视化：UMAP降维分析

通过umap_reduction.py实现MOF结构的二维可视化，直观展示材料空间分布：

cd machine_learning/umap
python umap_reduction.py --input_features ../soap_kernel/soap_features.csv

图3：QMOF数据库中MOFs的UMAP降维可视化，不同颜色代表不同拓扑结构类型

📝 许可协议与引用说明

QMOF数据库采用CC BY 4.0许可协议，允许自由使用、分享和改编，但需注明出处。使用时请引用以下文献：

• A.S. Rosen et al., Matter, 4, 1578-1597 (2021)
• A.S. Rosen et al., npj Comput. Mat., 8, 112 (2022)

🎯 结语：开启你的材料发现之旅

QMOF数据库凭借其海量高质量数据、完善的工具链和开源共享理念，已成为金属-有机框架材料研究的基础设施。无论是学术研究还是工业应用，都能从中获取关键支持。立即克隆项目，探索20,000+ MOFs的无限可能！

💡 提示：定期查看updates.md获取最新数据更新，关注项目进展以获取更多高级功能！

【免费下载链接】QMOF 项目地址: https://gitcode.com/gh_mirrors/qm/QMOF