Metaal-organische roosters (MOFs) vertonen complex gedrag onder veranderingen in temperatuur, druk, of gasadsorptie. Deze stimuli induceren vaak reversibele of irreversibele transities naar toestanden met structurele wanorde. Deze wanordelijke toestanden zijn echter functioneel en vallen op door hun aanpassingsvermogen, bv. door strain te dissiperen zonder significante materiaaldegradatie. Echter, zowel experimentele als computationele uitdagingen om deze sterk wanordelijke structuren te analyseren zorgt ervoor dat het transitiegedrag van zulke MOFs – is de transitie (ir)reversibel en behoudt het enige structurele orde? – onvoorspelbaar blijft, wat hun rationeel ontwerp en toepassing dwarsboomt. In dit project zal ik dit probleem overkomen door een multischaal in silico methodologie te ontwerpen die gebaseerd is op transfereerbare machinaal geleerde potentialen (MLPs), om zo de mechanismes achter deze orde-naar-wanordetransities te ontrafelen en te voorspellen welke MOFs transformeren volgens een gegeven transitiepad. Ik zal zo’n gedetailleerd begrip opbouwen door systematisch de impact van variërende bouwblokken in twee prototypische MOF-klassen op hun transitiegedrag te modelleren. Deze uitdaging vereist dat ik de traditionele limieten van kristallijne modellering overkom door MLPs en coarse-grained potentialen voor wanordelijke structuren te ontwikkelen en te complementeren met experimentele data, om finaal inzicht in deze intrigerende transitiefenomenen te verkrijgen.