Argonne-Wissenschaftler nutzen KI, um neue Materialien für die Kohlenstoffabscheidung zu identifizieren

Melden Sie sich an für Tägliche Nachrichten-Updates von CleanTechnica per E-Mail. Oder Folgen Sie uns auf Google News!

Metallorganische Gerüstmaterialien (MOF) können in vielen verschiedenen Anwendungen eingesetzt werden, von Katalysatoren bis hin zu Energiewandlern

Generative KI-Techniken, maschinelles Lernen und Simulationen bieten Forschern neue Möglichkeiten, umweltfreundliche metallorganische Gerüstmaterialien zu identifizieren.

Die Kohlenstoffabscheidung ist eine entscheidende Technologie zur Reduzierung der Treibhausgasemissionen von Kraftwerken und anderen Industrieanlagen. Doch ein geeignetes Material für eine effektive Kohlenstoffabscheidung zu geringen Kosten muss noch gefunden werden. Ein Kandidat sind metallorganische Gerüste (MOFs). Dieses poröse Material kann Kohlendioxid selektiv absorbieren.

MOFs haben drei Arten von Bausteinen in ihren Molekülen – anorganische Knoten, organische Knoten und organische Linker. Diese können in verschiedenen relativen Positionen und Konfigurationen angeordnet werden. Daher gibt es unzählige potenzielle MOF-Konfigurationen, die Wissenschaftler entwerfen und testen können.

Um den Entdeckungsprozess zu beschleunigen, haben Forscher des US-Energieministeriums (DAMHIRSCHKUH) Das Argonne National Laboratory verfolgt mehrere Wege. Einer ist generativ künstliche Intelligenz (KI), um bisher unbekannte Bausteinkandidaten auszudenken. Eine andere ist eine Form von KI sogenanntes maschinelles Lernen. Ein dritter Weg ist das Hochdurchsatz-Screening von Kandidatenmaterialien. Und das letzte sind theoriebasierte Simulationen mit einer Methode namens Molekulardynamik.

Bei diesem Projekt unterstützen Argonne Forscher des Beckman Institute for Advanced Science and Technology an der University of Illinois Urbana-Champaign (UIUC), der University of Illinois at Chicago und der University of Chicago.

Die Entwicklung von MOFs mit optimaler Kohlenstoffselektivität und -kapazität ist eine große Herausforderung. Bis jetzt, MOF Das Design stützte sich auf sorgfältige experimentelle und rechnerische Arbeit. Dies kann kostspielig und zeitaufwändig sein.

Durch die Erkundung der MOF Gestaltungsraum mit generativem KIDas Team konnte in kurzer Zeit Baustein für Baustein über 120.000 neue zusammenbauen MOF Kandidaten innerhalb von 30 Minuten. Sie führten diese Berechnungen auf der Polaris durch Supercomputer an der Argonne Leadership Computing Facility (ALCF). Der ALCF ist ein DAMHIRSCHKUH Benutzereinrichtung des Office of Science.

Anschließend wandten sie sich dem Delta-Supercomputer zu UIUC zeitintensive Molekulardynamiksimulationen durchzuführen und dabei nur die vielversprechendsten Kandidaten zu verwenden. Ziel ist es, sie auf Stabilität, chemische Eigenschaften und Fähigkeit zur Kohlenstoffbindung zu untersuchen. Delta ist eine gemeinsame Initiative von Illinois und seinem National Center for Supercomputing Applications.

Der Ansatz des Teams könnte es Wissenschaftlern letztendlich ermöglichen, nur das Allerbeste zu synthetisieren MOF Konkurrenten.​„„Die Menschen denken seit mindestens zwei Jahrzehnten über MOFs nach“, sagte der Argonne-Informatiker Eliu Huerta, der die Studie mitgeleitet hat.​„Die traditionellen Methoden umfassten typischerweise experimentelle Synthese und rechnerische Modellierung mit Molekulardynamiksimulationen. Aber ich versuche, die Weite zu überblicken MOF Landschaft auf diese Weise zu gestalten ist einfach unpraktisch.“

Dem Team werden bald noch fortschrittlichere Computer zur Verfügung stehen. Mit der Kraft der ALCFMit dem Exascale-Supercomputer Aurora könnten Wissenschaftler Milliarden von Menschen untersuchen MOF Kandidaten auf einmal, darunter viele, die noch nie zuvor vorgeschlagen wurden.

Darüber hinaus lässt sich das Team chemisch von früheren Arbeiten zum molekularen Design inspirieren, um neue Wege zu entdecken, wie die verschiedenen Bausteine ​​eines MOF könnte zusammenpassen.

„„Wir wollten den von uns entworfenen MOFs neue Geschmacksrichtungen hinzufügen“, sagte Huerta.​„Wir brauchten neue Zutaten dafür KI Rezept.” Der Algorithmus des Teams kann MOFs für die Kohlenstoffabscheidung verbessern, indem er die Chemie aus experimentellen Datensätzen der Biophysik, Physiologie und physikalischen Chemie lernt, die bisher nicht berücksichtigt wurden MOF Design vorher.

Für Huerta verspricht der Blick über traditionelle Ansätze eine Transformation MOF Material – eines, das sich gut zur CO2-Abscheidung eignet, kostengünstig und einfach herzustellen ist.

„Wir verbinden jetzt generativ KI, Hochdurchsatz-Screening, Molekulardynamik und Monte-Carlo-Simulationen in einen eigenständigen Arbeitsablauf integrieren“, sagte Huerta.​„Dieser Arbeitsablauf beinhaltet Online-Lernen unter Verwendung früherer experimenteller und rechnerischer Forschungen, um die Präzision von zu beschleunigen und zu verbessern KI um neue MOFs zu schaffen.“

Der Atom-für-Atom-Ansatz für MOF Design ermöglicht durch KI wird es Wissenschaftlern ermöglichen, das zu haben, was Ian Foster, leitender Wissenschaftler bei Argonne und Leiter der Abteilung für Datenwissenschaft und Lernen, ein„breitere Linse“ auf solche porösen Strukturen.​„Es wird daran gearbeitet, dass wir für die neuen KI-montierten MOFs, die vorhergesagt werden, Erkenntnisse aus autonomen Labors einbeziehen, um ihre Fähigkeit zur Synthese und ihre Fähigkeit zur Kohlenstoffbindung experimentell zu validieren“, sagte Foster.​„Mit der Feinabstimmung des Modells werden unsere Vorhersagen immer besser.“

Ein auf der Studie basierender Artikel wurde von Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster und Emad Tajkhorshid verfasst. Es erschien in der Online-Ausgabe von Naturkommunikationschemie.

„Die Studie zeigt das große Potenzial des Einsatzes KI-basierter Ansätze in den Molekularwissenschaften“, sagte Tajkhorshid von der UIUC.​„Wir hoffen, den Anwendungsbereich des Ansatzes auf Probleme wie biomolekulare Simulationen und Arzneimitteldesign auszuweiten.“

„Diese Arbeit ist ein Beweis für die Zusammenarbeit zwischen Doktoranden und Nachwuchswissenschaftlern verschiedener Institutionen, die zusammengekommen sind, um an diesem wichtigen Thema zu arbeiten KI für ein wissenschaftliches Projekt“, sagte Huerta.​„Die Zukunft wird rosig bleiben, da wir weiterhin talentierte junge Wissenschaftler inspirieren und uns von ihnen inspirieren lassen.“

Die Arbeit wurde unterstützt von DAMHIRSCHKUH‘s Office of Science, Office of Advanced Scientific Computing Research, laborgesteuerte Forschungs- und Entwicklungsfonds und die National Science Foundation.

Mit freundlicher Genehmigung von US-Energieministerium, Argonne National Laboratory. Von Jared Sagoff