مواد و ساخت پیشرفته

دانشمندان از هوش مصنوعی برای شناسایی مواد جدید برای جذب کربن استفاده می‌کنند. تکنیک‌های هوش مصنوعی مولد، یادگیری ماشین و شبیه‌سازی به محققان فرصت‌های جدیدی برای شناسایی مواد با چارچوب فلزی-آلی دوست‌دار محیط‌زیست را می‌دهد. جذب کربن یک فناوری حیاتی در کاهش انتشار گازهای گلخانه ای از نیروگاه‌ها و سایر تاسیسات صنعتی است. با این حال، هنوز یک ماده مناسب برای جذب موثر کربن با هزینه کم پیدا نشده است. یکی از نامزدها این امر مواد چارچوب فلزی-آلی یا MOF است. این مواد متخلخل می‌تواند به طور انتخابی دی اکسید کربن را جذب کند.

مواد چارچوب فلزی-آلی سه نوع بلوک ساختمانی در مولکول‌های خود دارند – گره‌های معدنی، گره‌های آلی و پیوند‌دهنده‌های آلی. اینها را می‌توان در موقعیت‌ها و پیکربندی‌های نسبی مختلف مرتب کرد. در نتیجه، تعداد بی‌شماری پیکربندی‌های مواد چارچوب فلزی-آلی بالقوه برای طراحی و آزمایش دانشمندان وجود دارد. برای سرعت بخشیدن به فرآیند کشف، محققان آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده چندین مسیر را دنبال می‌کنند. یکی از آنها هوش مصنوعی مولد است که می‌تواند نامزدهای بلوک ساختمانی ناشناخته را پیشنهاد کند.

راه‌حل دیگر باز هم نوعی از هوش مصنوعی به نام یادگیری ماشینی است. مسیر سوم، غربالگری بسیار کارآمد موادی است که نامزد این امر هستند. آخرین مورد شبیه‌سازی‌های مبتنی بر نظریه با استفاده از روشی به نام دینامیک مولکولی است. در این پروژه محققانی از مؤسسه علوم و فناوری پیشرفته بکمن در دانشگاه ایلینویز و دانشگاه شیکاگو با آزمایشگاه ملی آرگون همکاری داشتند.

در طراحی مواد چارچوب فلزی-آلی انتخاب کربن بهینه و ظرفیت یک چالش مهم است. طراحی مواد چارچوب فلزی-آلی بر کار آزمایشی و محاسباتی پرزحمت تکیه دارد که این مسئله می‌تواند پرهزینه و زمان‌بر باشد. با کاوش در فضای طراحی مواد چارچوب فلزی-آلی با هوش مصنوعی مولد، این تیم توانست به سرعت، بلوک به بلوک، بیش از 120000 نامزد جدید مواد چارچوب فلزی-آلی را در سی دقیقه جمع آوری کند! آنها این محاسبات را روی ابررایانه پولاریس در مرکز محاسبات رهبری آزمایشگاه ملی آرگون نجام دادند.

آنها سپس به ابررایانه دلتا در دانشگاه ایلینویز روی آوردند تا شبیه‌سازی‌های دینامیک مولکولی در زمانی فشرده با استفاده از امیدوارکننده‌ترین نامزدها انجام دهند. هدف غربالگری آنها پایداری، خواص شیمیایی و ظرفیت جذب کربن است. رویکرد این تیم در نهایت می‌تواند به دانشمندان اجازه دهد تا بهترین رقبای مواد چارچوب فلزی-آلی را شناسایی و ترتیب کنند. ایلیو هیرتا دانشمند محاسباتی آرگون که به رهبری این مطالعه کمک کرد می‌گوید حداقل دو دهه است در مورد مواد چارچوب فلزی-آلی فکر می‌شود.

روش‌های سنتی معمولاً شامل سنتز تجربی و مدل‌سازی محاسباتی با شبیه‌سازی دینامیک مولکولی است. اما تلاش برای بررسی چشم‌انداز وسیع مواد چارچوب فلزی-آلی به این روش غیرعملی است. محاسبات پیشرفته‌تری نیز به زودی برای این تیم در دسترس خواهد بود. با قدرت ابررایانه آرورا، دانشمندان می‌توانند میلیاردها نامزد برای مواد چارچوب فلزی-آلی را به طور هم‌زمان بررسی کنند، از جمله بسیاری از آنهایی که حتی قبلاً هرگز پیشنهاد نشده بودند.

به علاوه این تیم از کارهای گذشته روی طراحی مولکولی الهام می‌گیرد تا راه‌های جدیدی را کشف کند که در آن بلوک‌های سازنده مختلف یک مواد چارچوب فلزی-آلی می‌توانند با هم تطبیق یابند. هیرتا می‌گوید ما می‌خواستیم طعم‌های جدیدی را به مواد چارچوب فلزی-آلی که طراحی می‌کردیم اضافه کنیم. ما برای دستور پخت هوش مصنوعی به مواد جدیدی نیاز داشتیم. الگوریتم تیم می‌تواند با فراگیری بهتر دانسته‌های شیمی از مجموعه داده‌های آزمایشی علوم بیوفیزیک، فیزیولوژی و شیمی فیزیکی که قبلاً برای طراحی مواد چارچوب فلزی-آلی در نظر گرفته نشده‌اند، بهبودهایی در مواد چارچوب فلزی-آلی برای جذب کربن ایجاد کند.

از نظر هیرتا نگاهی فراتر از رویکردهای سنتی نوید یک ماده چارچوب فلزی-آلی متحول‌کننده را دارد. ماده‌ای که می‌تواند در جذب کربن خوب، مقرون به صرفه و تولید آسان باشد. هیرتا گفت ما اکنون در حال اتصال هوش مصنوعی مولد، غربالگری با توان بالا، دینامیک مولکولی و شبیه‌سازی مونت کارلو به یک جریان کاری مستقل هستیم. این گردش کار شامل یادگیری آنلاین با استفاده از تحقیقات تجربی و محاسباتی گذشته برای تسریع و بهبود دقت هوش مصنوعی برای ایجاد چارچوب‌های فلزی-آلی جدید است.

هیرتا در پایان گفت این کار شاهدی بر همکاری بین دانشجویان فارغ التحصیل و دانشمندان اولیه از موسسات مختلف است که گرد هم آمده اند تا روی این پروژه مهم هوش مصنوعی برای علم کار کنند. آینده روشن خواهد بود زیرا ما همچنان به الهام گرفتن از دانشمندان جوان با استعداد ادامه می‌دهیم.

منبع