Metaal-organische roosters (MOFs) zijn modulaire netwerken opgebouwd uit metallische bouwblokken en organische liganden. Dankzij hun uitzonderlijke eigenschappen, zijn ze zeer beloftevol voor industriële toepassingen zoals sorptie, katalyse en nanodetectie. Computationeel onderzoek heeft in de laatste tien jaar uitgebreid getracht het macroscopisch gedrag van MOFs te verklaren. Huidige interactiepotentialen zijn echter beperkt tot onrealistische, periodieke structuren en kunnen ruimtelijke wanorde op de mesoschaal niet beschrijven, wat leidt tot een grote discrepantie tussen simulatie en experiment. Machine learning potentialen (MLPs) worden getraind op kwantummechanische data en tonen veel potentieel voor simulaties op grotere tijd- en lengteschalen. Het genereren van deze data, die de haalbare accuraatheid van de potentiaal bepaalt, is echter een zwaar knelpunt in de ontwikkeling van MLPs voor complexe materialen. Dit project zal het principe van actief leren en de modulaire structuur van MOFs combineren om de computationele kost van het trainen van MLPs drastisch te verlagen. Deze methode zal aangewend worden om de mechanische eigenschappen van MOFs bloot te geven. Voor de eerste keer zal ruimtelijke wanorde in MOFs met kwantummechanische accuraatheid onderzocht worden op de mesoschaal en zal een universele MLP ontwikkeld worden die transfereerbaar is voor een groot aantal MOFs, wat de state-of-the-art voorbijstreeft in zowel een spatiale als een configurationele dimensie.