據報道，由該校和美國西北大學組成的研究團隊，利用機器學習技術開發了一個自動化材料發現平臺，有助于加快材料的設計周期。相關論文已在《自然-機器智能》（Nature Machine Intelligence）上發表。

    網狀框架是通過在不同拓撲結構中分子構建塊的自組裝而形成的結晶多孔材料，其中許多具有氣體存儲、分離、催化以及生物醫學等應用所需的特性。研究團隊開發了一種由超分子變體自編碼器支持的自動化納米多孔材料發現平臺，用于網狀材料的生成設計。在該研究中，研究人員用一類金屬有機框架（MOF）結構演示了自動化設計過程，并實現了從天然氣或煙道氣中分離出二氧化碳的目標。該模型在捕獲MOF結構特征方面顯示出很高的保真度。研究表明，當與多個氣體分離最佳吸附劑候選物共同訓練時，自動編碼器具有良好的優化能力。利用該平臺發現的MOF材料與迄今已知的某些MOF材料相比具有很強的競爭力。

    研究的主要作者，多倫多大學文理學院化學系和計算機科學系博士后姚振鵬稱，該平臺可用于生成各種分子框架設計，顯著縮短用于某種特定用途的最佳材料的識別時間。

    加拿大高等研究院（CIFAR）人工智能首席科學家、加拿大150理論化學研究主席（Canada 150 Research Chair in Theoretical Chemistry）艾倫·阿斯普魯·古茲克（Alan Aspuru-Guzik）教授說，網狀材料的設計極具挑戰性，因為面臨著晶體建模和分子建模交織在一起的困難。這種網狀化學方法是多倫多大學利用人工智能加速材料開發的一個范例。利用AI模型可以想象或建議（'dream' or suggest）新穎材料，超越傳統的基于庫的篩選方法。

    研究的共同作者、西北大學工程學院化學與生物工程系主任蘭德爾·斯努爾（Randall Snurr）稱，我們過去是通過計算從候選庫中篩選出最佳材料。現在這種協同開發的自動化材料發現平臺，比對數據庫中所有材料進行“蠻力”（'brute force'）篩選效率更高。更重要的是，該方法使用機器學習算法，從數據中學習探索材料空間，實際上提出了原本沒有想到的新材料。

    該研究得到了美國能源部科學辦公室、加拿大機械加工技術研究與創新網絡（Canadian Network for Research and Innovation in Machining Technology）以及加拿大自然科學與工程研究理事會（NSERC）的支持。