2026年2月26日，国际顶尖期刊Nature Communications在线发表了重庆交通大学材料科学与工程学院研究团队最新成果：通过将机器学习势与多尺度模拟相结合，首次系统揭示了超小孔金属有机框架（MOF）材料MIL-120(Al)中桥连羟基（μ2-OH）微观动力学如何影响CO2吸附行为。这一工作为在含湿气或复杂共存气体工况下，面向工程化应用的MOF材料高通量筛选与理性设计提供了可推广的多尺度计算框架（全文链接:https://doi.org/10.1038/s41467-026-69993-x）。本项研究以重庆交通大学为第一单位，材料学院樊冬博士为论文第一作者，通讯作者为我校引智专家Guillaume Maurin教授。
MIL-120(Al)由四价芳香族四羧酸配体与沿链边共享的AlO6八面体构建，孔径仅埃（Å）量级，兼具良好的热稳定性与抗水性，在烟道气等复杂气氛下显示出优异的CO2吸附性能。然而传统实验和计算模拟方法在描述这类超小孔、强极性体系时存在两大局限：一是实验手段难以精确定位μ2-OH等轻原子与微小取向，而这些“隐藏”的局部自由度会引发亚埃量级的孔径与电荷分布变化，从而显著改变分子吸附位点；二是常用的刚性框架模型与经验力场既难以精确捕捉μ2-OH的微观动力学行为，也难以在高度受限且极性的微环境中给出可靠的相互作用能，常出现对吸附热与吸附量的系统性高估，从而削弱预测可迁移性。
为克服上述问题，团队发展了一套从第一性原理到机器学习训练再到多尺度统计采样的综合策略。该方法既保留了第一性原理计算的物理真实性，又具备可扩展的统计采样能力，成功捕捉到吸附过程中的微观调控机制，解释了“晶格看似不变但吸附行为差异巨大”的实验现象。研究成果不仅为理解超小孔MOF中的微观自由度与吸附性能之间的耦合提供直接证据，也为面向真实工况（含湿气及复杂混合气体）的材料筛选与设计提供了可复现、可扩展的计算流程。该方法在保证精度的同时显著提升了采样效率，可直接用于评估更多具有工程应用潜力的吸附材料体系。
樊冬博士长期致力于采用第一性原理计算和分子动力学等多尺度模拟方法来研究凝聚态体系的结构-性能之间的关系。至今发表SCI论文50余篇，H-index为26，与国际知名实验研究小组合作密切，相关成果发表于Science、Nature Communications、J. Amer. Chem. Soc.等领域高水平期刊。同时，樊冬博士于2024年组建AI4Matter研究小组以来，在基于机器学习方法的新材料理论预测方面展开了一系列原创性工作，相关成果发表相继发表在Nature Communications、Science advances、Npj computational materials、Chemistry of Materials等国际知名期刊。
此次成果是我校在高精度多尺度模拟与机器学习结合方向上的重要突破，既体现了团队长期在材料理论预测与模拟方面的积累，也标志着我校在国际高水平期刊上持续产出高影响力成果的能力。后续团队将进一步推广该框架，面向工业条件下的吸附/分离材料筛选与设计开展更大规模应用研究。同时充分体现了材料科学与工程学院近年来在“搭平台、建舞台”加强有组织的科研、大力推进人才引培、丰富学术氛围等方面取得明显成效。