机器学习模型将脱碳技术催化剂的评估从几个月缩短到几毫秒

下次你开车经过乡村道路上的农场或草原和池塘时，环顾四周。它们是丰富的生物质来源。这包括玉米、大豆、甘蔗、柳枝稷、藻类和其他植物物质。这些富含碳的材料可以转化为液体燃料和化学品，具有许多可能的应用。例如，美国有足够的生物质来生产所有航空旅行的可再生喷气燃料。

目前的一个主要绊脚石是缺乏将生物质转化为生物燃料或其他有用产品所需的有效、低成本的催化剂。美国能源部(DOE)阿贡国家实验室的研究人员报告说，开发了一种基于人工智能的模型，以加快设计基于碳化钼的低成本催化剂的过程。

“生物质是一种有机材料，这意味着它充满了碳，”阿贡材料科学部(MSD)组长Rajeev Assary说。“最终目标是廉价地将碳转化为对社会有用的产品，在这种情况下，生物燃料和可生物降解塑料等化学品。这些产品避免了对化石燃料的需求。

目前，科学家可以通过在高温下处理原始生物质来生产一种称为热解油的类似石油的产品。但所得产物具有非常高的氧含量。该氧是不需要的，因此通过使用碳化钼催化剂实现的反应去除。但一个主要问题是这种催化剂的表面吸收氧原子，氧原子积聚在表面并降低催化剂性能。

一种建议的解决方案是在碳化钼中添加少量的新元素，例如镍或锌。这种掺杂剂元素削弱了氧原子在催化剂表面的键合，防止了催化剂中毒。

“问题是找到掺杂剂和表面结构的正确组合，”MSD的助理科学家Hieu Doan说。“碳化钼具有非常复杂的结构。因此，我们呼吁超级计算与理论计算相结合，不仅模拟与氧结合的表面原子的行为，还模拟附近原子的行为。

利用在阿贡的Theta超级计算机上进行的模拟，该团队创建了一个包含20，000个结构的数据库，用于氧与掺杂碳化钼的结合能。他们的模拟考虑了催化剂表面上几十种掺杂剂元素和一百多个每种掺杂剂的可能位置。Theta是阿贡领导计算设施的一部分，该设施是美国能源部科学办公室的用户设施。

然后，他们使用这个数据库来训练深度学习模型。深度学习是机器学习的一种形式，其中计算机通过首先分析大量样本数据集来学习解决问题。Doan说：“通过我们的深度学习模型，我们现在可以在几毫秒内对数万个结构进行准确且廉价的计算，而不是局限于使用传统的计算方法在几个月内评估几千个催化剂结构。“这是类固醇的材料筛选。

该团队将他们的原子级模拟和深度学习模型的结果发送给生物能源化学催化联盟。他们将进行实验以评估一小部分候选催化剂。

“在不久的将来，我们希望处理超过一百万个结构和不同的结合原子，如氢，”Assary指出。“我们还希望将同样的计算方法应用于其他脱碳技术的催化剂，例如将水转化为清洁氢燃料。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！