Metaal-organische roosters (MOFs) vertonen een complex gedrag onder thermodynamische stimuli, waarbij ze vaak transformeren naar niet-kristallijne toestanden. Deze toestanden vallen op door hun structureel 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 grotendeels onvoorspelbaar blijft. In dit project zal ik daarom een op machinaal geleerde potentialen gebaseerde in silico methodologie ontwikkelen om de mechanismes achter deze kristallijne-naar-amorfe transities te ontrafelen. Ik zal een gedetailleerd begrip ontwikkelen door eerst te onderzoeken hoe het transitiegedrag van drie archetypische MOF-families beïnvloed wordt door hun bouwblokken systematisch te wijzigen. Dit vereist dat ik de traditionele limieten van kristallijne modellering overkom, en complementeer met experimentele validatie, om inzicht in deze fenomenen te verkrijgen. Ik zal dit verder rationaliseren via een coarse-grained model dat MOFs vereenvoudigt tot bouwblokken met parametriseerbare vrijheidsgraden en effectieve interacties. Door te bepalen hoe verschillende materiaalparameters toegang geven tot specifieke (niet-)kristallijne fasen onder externe stimuli, zal dit onderzoek faciliteren om MOFs te ontwerpen met gerichte transities op zulke stimuli en zodoende nieuwe materiaaltoepassingen openen.