Kunstig intelligens hjælper forskere med at producere rekordsættende katalysator til kuldioxid-til-ethylen-konvertering

Forskere ved University of Toronto Engineering og Carnegie Mellon University bruger kunstig intelligens (AI) til at fremskynde fremskridt med at omdanne affaldskulstof til et kommercielt værdifuldt produkt med rekordeffektivitet.

De udnyttede kunstig intelligens til at fremskynde søgningen efter nøglematerialet i en ny katalysator, der omdanner kuldioxid (CO2) til ethylen - en kemisk forløber for en lang række produkter, fra plastik til opvaskemiddel.

Den resulterende elektrokatalysator er den mest effektive i sin klasse. Hvis du kører med vind- eller solenergi, systemet giver også en effektiv måde at lagre elektricitet fra disse vedvarende, men intermitterende kilder.

"Ved at bruge ren elektricitet til at omdanne CO2 til ethylen, som har et globalt marked på $60 milliarder, kan forbedre økonomien ved både kulstoffangst og ren energilagring, " siger professor Ted Sargent, en af ​​seniorforfatterne på et nyt papir offentliggjort i dag i Natur .

Sargent og hans team har allerede udviklet en række af verdens førende katalysatorer for at reducere energiomkostningerne ved reaktionen, der omdanner CO2 til ethylen og andre kulstofbaserede molekyler. Men endnu bedre kan være derude, og med millioner af potentielle materialekombinationer at vælge imellem, at teste dem alle ville være uacceptabelt tidskrævende.

Holdet viste, at maskinlæring kan fremskynde søgningen. Brug af computermodeller og teoretiske data, Algoritmer kan smide de værste muligheder ud og pege på vejen mod mere lovende kandidater.

Brugen af ​​kunstig intelligens til at søge efter rene energimaterialer blev avanceret på en workshop i 2017 arrangeret af Sargent i samarbejde med Canadian Institute for Advanced Research (CIFAR). Idéen blev yderligere uddybet i en Natur kommentarartikel udgivet senere samme år.

Professor Zachary Ulissi fra Carnegie Mellon University var en af ​​de inviterede forskere til den originale workshop. Hans gruppe har specialiseret sig i computermodellering af nanomaterialer.

"Med andre kemiske reaktioner, vi har store og veletablerede datasæt, der viser de potentielle katalysatormaterialer og deres egenskaber, " siger Ulissi.

"Med CO2-til-ethylen-konvertering, det har vi ikke, så vi kan ikke bruge rå magt til at modellere alt. Vores gruppe har brugt meget tid på at tænke på kreative måder at finde de mest interessante materialer på."

Algoritmerne skabt af Ulissi og hans team bruger en kombination af maskinlæringsmodeller og aktive læringsstrategier til bredt at forudsige, hvilke slags produkter en given katalysator sandsynligvis vil producere, selv uden detaljeret modellering af selve materialet.

De anvendte disse algoritmer til CO2-reduktion til at screene over 240 forskellige materialer, opdage 4 lovende kandidater, der blev forudsagt at have ønskværdige egenskaber over en meget bred vifte af sammensætninger og overfladestrukturer.

I det nye blad, medforfatterne beskriver deres bedst ydende katalysatormateriale, en legering af kobber og aluminium. Efter at de to metaller var bundet ved en høj temperatur, noget af aluminiumet blev derefter ætset væk, resulterer i en porøs struktur i nanoskala, som Sargent beskriver som "fluffy".

Den nye katalysator blev derefter testet i en enhed kaldet en elektrolysator, hvor den "faradaiske effektivitet" - andelen af ​​elektrisk strøm, der går til fremstilling af det ønskede produkt - blev målt til 80%, en ny rekord for denne reaktion.

Sargent siger, at energiomkostningerne skal sænkes yderligere, hvis systemet skal producere ethylen, der er omkostningskonkurrencedygtigt med det, der stammer fra fossile brændstoffer. Fremtidig forskning vil fokusere på at reducere den samlede spænding, der kræves til reaktionen, samt yderligere at reducere andelen af ​​biprodukter, som er dyre at adskille.

Den nye katalysator er den første til CO2-til-ethylen-konvertering, der delvist er blevet designet ved brug af AI. Det er også den første eksperimentelle demonstration af de aktive læringstilgange, Ulissi har udviklet. Dens stærke ydeevne validerer effektiviteten af ​​denne strategi og lover godt for fremtidige samarbejder af denne art.

"Der er mange måder, hvorpå kobber og aluminium kan arrangere sig selv, men hvad beregningerne viser er, at næsten alle af dem blev forudsagt at være gavnlige på en eller anden måde, " siger Sargent. "Så i stedet for at prøve forskellige materialer, når vores første eksperimenter ikke lykkedes, vi holdt ved, fordi vi vidste, at der var noget værd at investere i."