Forskere bruger kunstig intelligens til at identificere nye materialer til kulstoffangst

Generative AI-teknikker, maskinlæring og simuleringer giver forskere nye muligheder for at identificere miljøvenlige metal-organiske rammematerialer.

Kulstoffangst er en kritisk teknologi til at reducere drivhusgasemissioner fra kraftværker og andre industrielle faciliteter. Der er dog endnu ikke fundet et passende materiale til effektiv kulstoffangst til lave omkostninger. En kandidat er metal-organiske rammer eller MOF'er. Dette porøse materiale kan selektivt absorbere kuldioxid.

MOF'er har tre slags byggesten i deres molekyler - uorganiske noder, organiske noder og organiske linkere. Disse kan arrangeres i forskellige relative positioner og konfigurationer. Som et resultat er der utallige potentielle MOF-konfigurationer, som videnskabsmænd kan designe og teste.

For at fremskynde opdagelsesprocessen følger forskere fra det amerikanske energiministeriums (DOE) Argonne National Laboratory adskillige veje. Den ene er generativ kunstig intelligens (AI) til at opfinde hidtil ukendte byggestenskandidater. En anden er en form for AI kaldet machine learning. En tredje vej er en high-throughput screening af kandidatmaterialer. Den sidste er teoribaserede simuleringer ved hjælp af en metode kaldet molekylær dynamik.

Med Argonne i dette projekt er forskere fra Beckman Institute for Advanced Science and Technology ved University of Illinois Urbana-Champaign (UIUC), University of Illinois i Chicago og University of Chicago.

At designe MOF'er med optimal kulstofselektivitet og kapacitet er en betydelig udfordring. Indtil nu har MOF-design været baseret på omhyggeligt eksperimentelt og beregningsmæssigt arbejde. Dette kan være dyrt og tidskrævende.

Ved at udforske MOF-designrummet med generativ AI var teamet i stand til hurtigt at samle over 120.000 nye MOF-kandidater, byggeklods for byggeblok, inden for 30 minutter. De kørte disse beregninger på Polaris-supercomputeren på Argonne Leadership Computing Facility (ALCF).

De henvendte sig derefter til Delta-supercomputeren på UIUC for at udføre tidskrævende molekylær dynamik-simuleringer ved kun at bruge de mest lovende kandidater. Målet er at screene dem for stabilitet, kemiske egenskaber og kapacitet til kulstoffangst. Delta er en fælles indsats af Illinois og dets National Center for Supercomputing Applications.

Holdets tilgang kunne i sidste ende give videnskabsfolk mulighed for at syntetisere netop de allerbedste MOF-udfordrer. "Folk har tænkt på MOF'er i mindst to årtier," sagde Argonne computational videnskabsmand Eliu Huerta, som hjalp med at lede undersøgelsen. "De traditionelle metoder har typisk involveret eksperimentel syntese og beregningsmodellering med simuleringer af molekylær dynamik. Men at prøve at undersøge det enorme MOF-landskab på denne måde er bare upraktisk."

Endnu mere avanceret databehandling vil snart være tilgængelig for teamet at anvende. Med kraften fra ALCF's Aurora exascale supercomputer kunne videnskabsmænd undersøge milliarder af MOF-kandidater på én gang, inklusive mange, som aldrig engang er blevet foreslået før.

Derudover tager holdet kemisk inspiration fra tidligere arbejde med molekylært design for at opdage nye måder, hvorpå de forskellige byggesten i en MOF kan passe sammen.

"Vi ønskede at tilføje nye smagsvarianter til de MOF'er, vi var ved at designe," sagde Huerta. "Vi havde brug for nye ingredienser til AI-opskriften." Holdets algoritme kan foretage forbedringer af MOF'er til kulstoffangst ved at lære kemi fra biofysik, fysiologi og fysisk kemi eksperimentelle datasæt, som ikke har været overvejet til MOF-design før.

For Huerta er det løftet om et transformativt MOF-materiale at se ud over traditionelle tilgange – et som kunne være godt til kulstoffangst, omkostningseffektivt og nemt at producere.

"Vi forbinder nu generativ AI, high-throughput screening, molekylær dynamik og Monte Carlo-simuleringer til en selvstændig arbejdsgang," sagde Huerta. "Denne arbejdsgang inkorporerer online læring ved hjælp af tidligere eksperimentel og beregningsmæssig forskning for at accelerere og forbedre præcisionen af ​​AI for at skabe nye MOF'er."

Atom-for-atom-tilgangen til MOF-design muliggjort af AI vil gøre det muligt for forskere at have, hvad Argonne seniorforsker og direktør for Data Science and Learning, Ian Foster kaldte en "videre linse" på denne slags porøse strukturer.

"Der arbejdes på, at vi for de nye AI-samlede MOF'er, der bliver forudsagt, inkorporerer indsigt fra autonome laboratorier for eksperimentelt at validere deres evne til at blive syntetiseret og kapacitet til at fange kulstof," sagde Foster. "Med modellen finjusteret, bliver vores forudsigelser bare bedre og bedre."

Et papir baseret på undersøgelsen blev forfattet af Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster og Emad Tajkhorshid. Det dukkede op i onlineudgaven af ​​Communications Chemistry .

"Undersøgelsen viser det store potentiale ved at bruge AI-baserede tilgange inden for molekylær videnskab," sagde UIUCs Tajkhorshid. "Vi håber at udvide omfanget af tilgangen til problemer såsom biomolekylære simuleringer og lægemiddeldesign."

"Dette arbejde er et vidnesbyrd om samarbejdet mellem kandidatstuderende og videnskabsmænd i den tidlige karriere fra forskellige institutioner, som gik sammen for at arbejde på dette vigtige AI for videnskabsprojekt," sagde Huerta. "Fremtiden vil forblive lys, mens vi fortsætter med at inspirere og blive inspireret af talentfulde unge videnskabsmænd."

Flere oplysninger: Hyun Park et al., En generativ kunstig intelligens-ramme baseret på en molekylær diffusionsmodel til design af metal-organiske rammer til kulstoffangst, Communications Chemistry (2024). DOI:10.1038/s42004-023-01090-2

Leveret af Argonne National Laboratory