11月5日，由国家能源局、商务部主办的第九届虹桥国际经济论坛“氢能高质量发展促进全球能源转型”分论坛在上海国家会展中心举办。2025年诺贝尔化学奖得主、清华大学教授奥马尔·亚吉（Omar M. Yaghi）出席论坛，并发表题为《分子海绵材料在氢储存中的应用》的主旨报告。

奥马尔·亚吉聚焦网状化学在氢储存领域的应用，介绍了金属有机框架（MOF）、共价有机框架（COF）等新型多孔材料的结构特点，重点展示了通过优化材料孔隙结构、吸附位点和化学组成提高储氢性能的研究进展，并分享了人工智能与自动化实验相结合、加快新材料发现的研究实践。

01

01网状化学拓展储氢材料研发路径

一克材料，内部却可能拥有相当于一座足球场面积的吸附表面。奥马尔·亚吉在报告中以“分子海绵”作比喻，介绍了新型多孔材料的储氢潜力。他展示的研究成果表明，部分MOF材料每克的比表面积超过7000平方米，一些材料可达到约1万平方米。这些材料内部具有大量微小孔道，能够为氢分子提供丰富的吸附位点。

这一材料设计方法源于网状化学。据介绍，网状化学通过强化学键将分子构筑单元连接起来，形成具有长程有序结构的晶体材料。其中，MOF由金属节点与有机连接体构成，COF则由有机构筑单元通过共价键连接形成。研究人员可以通过改变材料组成和连接方式，调控内部孔隙结构及表面性质，从而改善气体吸附能力。

“我们可以充分利用里面的空隙进行能源储存。”他将材料内部的吸附位点形象地比作氢分子的“停车场”。不过，储氢性能不仅取决于内部表面积，还与孔隙尺寸、氢分子扩散能力及吸附作用强度有关。

在介绍储氢技术要求时，报告引用了美国能源部提出的6%质量储氢密度、45克/升体积储氢密度等系统指标，并列举了约7至8埃的孔径、15至20千焦/摩尔的吸附能等材料设计参数。如何通过分子结构设计满足这些要求，是相关储氢材料研究的重要方向。

02

02材料结构优化推动储氢性能提升

围绕提高氢气吸附能力，研究团队通过调整MOF材料的吸附位点、框架结构和化学组成，取得了一系列研究进展。

早期研究显示，部分非互穿型IRMOF材料在77开尔文条件下的氢吸附质量分数约为1%至1.5%。通过引入开放金属位点，增强材料与氢分子的相互作用，部分MOF材料的氢吸附质量分数提高至约2.5%，相关实验比较中的吸附量增加约75%。

另一项研究则通过框架互穿结构提升储氢性能。奥马尔·亚吉介绍，研究团队设计的IRMOF-62材料采用四重互穿结构，在77开尔文、1巴条件下实现了4.5%的氢吸附质量分数。在MOF-177材料的独立验证研究中，相关测试获得了12%的总氢吸附量和7.5%的表面过剩吸附量，展示了不同框架材料的储氢潜力。

除了储氢容量，吸放氢性能也是重要的研究内容。报告展示的IRMOF-11实验结果表明，该材料能够在多轮测试中反复完成氢气吸附与释放，实验中的吸氢过程约需2.5分钟，表现出良好的可逆吸附特性。

在提高单位体积储氢量方面，相关研究表明，在相应测试条件下，填充MOF-177或IRMOF-20材料的容器，储氢量可达到未填充MOF容器的约两倍。报告展示的另一组数据还显示，在77开尔文、50巴条件下，部分MOF体系按系统体积计算的储氢容量达到58克/升。

目前，多项较高氢吸附容量的研究结果主要在低温条件下获得。为改善接近室温条件下的储氢性能，研究人员进一步探索通过改变材料组成，增强材料与氢分子的相互作用。

其中，锂掺杂锌基金属有机框架（Zn-MOF）的理论预测显示，在300开尔文、约100巴条件下，部分结构的氢吸附质量分数可达到5%左右，为提高较高温度下的储氢性能提供了新的材料设计思路。

03

03人工智能加快新材料研发

如何从大量可能的分子组合中找到符合目标要求的新材料，是网状化学研究面临的重要课题。奥马尔·亚吉介绍，MOF、COF等框架材料的合成受到反应温度、时间、溶剂及原料配比等多种因素影响，寻找适宜的晶体生长条件，有时需要多年实验探索。

人工智能正在为这一过程提供新的研究方法。奥马尔·亚吉介绍了融合人工智能、材料科学与化学的AIMATRY研究体系，希望通过人工智能辅助材料设计、合成及性能研究，建立材料结构与性质之间的联系，加快新材料发现。

在具体研究中，团队将ChatGPT与自动化实验系统相结合，由人工智能提出候选合成条件，机器人按照实验方案完成试剂分配、反应培养和样品处理，再利用高通量粉末X射线衍射（PXRD）技术分析产物的结晶情况。实验结果随后反馈给人工智能，用于调整下一轮实验条件，形成从方案生成、实验执行到结果反馈和优化的研究闭环。

这一研究的相关成果已发表于2026年《美国化学会志》。报告展示的首轮96孔高通量实验筛选中，研究人员按照人工智能生成的条件开展实验，并在120摄氏度、72小时的反应条件下获得了具有不同结晶表现的样品，展示了人工智能与自动化实验相结合的研究进展。

奥马尔·亚吉表示，人工智能提出的实验方案并非每次都能成功，但能够提供研究人员此前未曾考虑过的条件组合。通过多轮实验反馈与优化，研究团队可以不断调整合成条件，探索新的材料制备路径。他以相关结晶研究为例介绍，一些过去可能需要十年探索的研究工作，如今有望在两周内取得进展。

在奥马尔·亚吉看来，人工智能的价值不仅在于提高实验效率，还在于拓展新材料发现的可能性。通过分析化学结构、反应条件与材料性能之间的关系，研究人员有望找到新的材料组合与合成路径，进一步拓展MOF、COF等框架材料的研究空间。

对于新型框架材料的实际应用，规模化制备和成本控制同样重要。据介绍，MOF材料已具备一定的规模化制备基础，并在碳捕集、空气取水等领域取得应用进展。这些研究与应用实践，也为探索框架材料在氢储存领域的应用提供了基础。

“化学具有无限的潜能。”奥马尔·亚吉表示，未来希望通过网状化学与人工智能相结合，开发性能更好、成本更低、更加绿色的新材料，推动其在氢储存领域的应用。

来源：中国氢能联盟