Laboratory of Molecular Simulation (LSMO)

3
Berend Smit Min

Prof. Berend Smit

Laboratory of Molecular Simulation (LSMO)

CO2 capture


Unsere Mission

Wir treiben die Materialforschung voran, indem wir molekulare Simulation, Datenwissenschaft und KI miteinander verbinden. Durch rigorose Modellierung, hochwertige Daten und ganzheitliche digitale Plattformen beschleunigen wir Durchbrüche in der netzartigen Chemie und der Kohlenstoffabscheidung und schaffen Werkzeuge, die sich in der Praxis bewähren.

Forschungsthemen

1

Wir verwenden moderne Computersimulationen, um zu verstehen, wie neue Materialien auf atomarer Ebene funktionieren. So können wir wichtige Eigenschaften vorhersagen, z. B. wie sie Wärme speichern, Gase absorbieren oder Wasser bewegen, bevor wir sie im Labor herstellen.

2

Wir kombinieren große Datensätze mit modernen KI-Methoden, um zu ermitteln, welche Materialien für eine bestimmte Aufgabe am vielversprechendsten sind. Anstatt Tausende von Materialien experimentell zu testen, lassen wir die KI die Suche auf die nützlichsten Materialien eingrenzen.

3

Wir synthetisieren und charakterisieren neue Materialien, z. B. helle, abstimmbare lumineszierende Verbindungen, um ihre Eigenschaften experimentell zu erforschen und sie mit unseren Simulationen und KI-Modellen zu verbinden.

Unsere Schlüsselprojekte


2

Eine einheitliche Plattform, die Materialeigenschaften, Prozessdesign, TEA und LCA miteinander verbindet, um optimale CO₂-abscheidende Sorbentien für reale Quelle-Senke-Paare zu identifizieren. 60 globale Fallstudien für Entscheidungen auf Systemebene.


Heriot-Watt Universität, ETHZ, UC Berkeley, ENS Paris

3

Durch datengesteuertes MOF-Screening haben wir robuste CO₂-bindende "Adsorbaphoren" identifiziert, die gegen Feuchtigkeit resistent sind. Dies führte zur Synthese von Al-PMOF und Al-PyrMOF, die kommerzielle Sorptionsmittel unter feuchten Bedingungen übertreffen.


Heriot-Watt-Universität, UC Berkeley

1

Die Feinabstimmung großer Sprachmodelle ermöglicht eine genaue Vorhersage von Materialeigenschaften und sogar inverses Design mit minimalen Daten. Demonstriert für Moleküle, Legierungen und MOFs; überraschenderweise übertrifft es spezialisierte ML in datenarmen Bereichen.

Highlights

1

2 Artikel in Nature

2

Hochzitierter Forscher im Bereich Cross-Field – 2025

3

SNFS-Förderung für Fortgeschrittene

4

DePOLY ist ein Spin-off von LSMO

Team & talents

Größe des Laborteams

16-18 Personen

Vom wissenschaftlichen Team entwickelte Fähigkeiten

AI, molekulare Simulation, MOF-Synthese

Regionale und gesellschaftliche Auswirkungen

1

Grundlegende Forschung

Perspektiven und Herausforderungen

Die wichtigsten Möglichkeiten

Entwicklung von AI-gesteuertem Materialdesign

Zukünftige Partnerschaften

Heriot-Watt-Universität

Einwilligung zur Verwendung von Cookies
Indem Sie Ihren Besuch auf dieser Website fortsetzen, erklären Sie sich mit der Verwendung von Cookies zur Verbesserung Ihres Nutzererlebnisses und zur Erstellung von Besuchsstatistiken einverstanden. Über nachstehende Schaltflächen können Sie Ihre Cookie-Einstellungen anpassen.
Meine Einstellungen