Revoluționarea captării carbonului cu ajutorul machine learning
Într-o etapă importantă pentru chimia sustenabilă, cercetătorii de la Indian Institute of Science (IISc) au utilizat AI pentru a cartografia o rețea vastă de reacții chimice, invizibilă până acum. Această descoperire, detaliată în revista Nature Communications, oferă o abordare transformatoare pentru convertirea dioxidului de carbon (CO2) în combustibili industriali de mare valoare, precum metanolul. Prin automatizarea analizei interacțiunilor moleculare pe catalizatori de cupru, echipa a identificat aproape 10.000 de etape de reacție distincte, depășind cu mult căile limitate analizate în mod tradițional de modelele computaționale.
Timp de ani de zile, oamenii de știință s-au confruntat cu complexitatea hidrogenării CO2, un proces care folosește catalizatori pentru a reacționa dioxidul de carbon cu hidrogenul în scopul obținerii de combustibili. Deoarece numărul etapelor de reacție posibile este imens, simulările mecanice cuantice convenționale s-au concentrat istoric pe un set restrâns, preselectat, de reacții. Această dependență de modele simplificate a însemnat că cercetătorii au omis probabil căi critice, ceea ce a dus la predicții imprecise privind randamentul produselor și eficiența chimică.
Extinderea orizontului reacțiilor chimice
Echipa de cercetare a rezolvat această problemă prin antrenarea unor modele de machine learning pentru a prezice barierele energetice ale reacțiilor chimice pentru 105 specii diferite pe suprafața unui catalizator. Ceea ce a început ca o bază de date modestă de 152 de reacții a fost extins rapid de AI pentru a include 9.389 de căi individuale. Această expansiune s-a dovedit a fi cheia preciziei; atunci când cercetătorii au aplicat această rețea vastă în simulările lor, puterea predictivă a modelului a crescut semnificativ. Mai exact, modelul extins a prezis o creștere de 40 de ori a conversiei CO2 comparativ cu rețelele tradiționale mai mici, aliniindu-se perfect cu rezultatele experimentale pe care modelele mai simple nu au reușit să le reproducă.
De ce contează
- Eficiență sporită: Modelul extins identifică corect metanolul și monoxidul de carbon drept produși principali ai hidrogenării CO2, confirmând experimentele de laborator.
- Putere predictivă: Luând în calcul mii de etape trecute cu vederea, cadrul de lucru bazat pe AI oferă o imagine mai completă a procesului catalitic decât oricând.
- Metodologie scalabilă: Această abordare integrată, ce combină machine learning, mecanica cuantică și cartografierea automatizată, poate fi adaptată și în alte domenii industriale critice, precum reducerea azotului sau scindarea apei.
Provocarea normelor convenționale
Poate cel mai surprinzător rezultat al acestui studiu este descoperirea unei căi de hidrogenare neconvenționale. Teoria chimică tradițională a susținut mult timp că hidrogenul trebuie să se scindeze în atomi individuali înainte de a participa la reacțiile catalitice. Totuși, analiza datelor prin AI a relevat că hidrogenul poate fi transferat direct către compuși chimici sub formă de moleculă H2 intactă, în special atunci când interacționează cu intermediari care conțin oxigen. Această descoperire contestă ipotezele fundamentale în cataliză și sugerează că viitoarele designuri de catalizatori ar trebui să se concentreze pe materiale care interacționează mai puternic cu H2 molecular pentru a impulsiona producția de metanol.
Acest cadru computațional reprezintă un nou standard pentru cercetarea chimică. Folosind AI pentru a naviga prin complexitatea vastă a reacțiilor la nivel atomic, comunitatea științifică dispune acum de un instrument puternic pentru a reduce decalajul dintre simulările teoretice și producția de combustibil la scară industrială. Pe măsură ce această tehnologie se maturează, ea promite să transforme provocarea emisiilor de carbon într-o oportunitate de a crea o economie circulară a combustibilului, transformând eficient un gaz cu efect de seră în elementele de bază ale energiei curate.
