هوش مصنوعی میانبر شیمیایی پنهانی برای تبدیل CO2 به سوخت را آشکار کرد

سطح یک کاتالیزور مسی که هیدروژناسیون CO2 به متانول را نشان می‌دهد. منبع: Shivam Chaturvedi

این یافته‌ها که در Nature Communications منتشر شده است، می‌تواند به دانشمندان کمک کند تا کاتالیزورهای موثرتری برای تبدیل CO2 به محصولات مفیدی مانند متانول توسعه دهند. این تحقیق همچنین یک راه شگفت‌انگیز را در مورد نحوه مشارکت هیدروژن در این واکنش‌ها آشکار کرد و فرضیات تثبیت‌شده در مورد نحوه عملکرد این فرآیند را به چالش کشید.

یکی از رویکردهای امیدوارکننده برای بازیافت دی‌اکسید کربن، هیدروژناسیون است که از یک کاتالیزور برای کمک به واکنش CO2 با هیدروژن و تشکیل مواد شیمیایی مانند متانول استفاده می‌کند. با این حال، این فرآیند شامل تعداد زیادی واکنش فردی است که در سطح کاتالیزور رخ می‌دهد. شبیه‌سازی هر مرحله ممکن با استفاده از مکانیک کوانتومی به قدرت محاسباتی عظیمی نیاز دارد، بنابراین محققان معمولاً بر روی انتخاب محدودی از واکنش‌هایی که مهم‌ترین هستند تمرکز می‌کنند. این ساده‌سازی می‌تواند صدها واکنش بالقوه حیاتی را از قلم بیندازد.

«ما با نگرانی آشنایی که هر کسی که مدل‌سازی مکانیکی انجام می‌دهد، دارد، شروع کردیم: چگونه می‌توانیم مطمئن باشیم که شبکه واکنش ما مرحله مهمی را حذف نکرده است؟» می‌گوید آناند موهان ورما، نویسنده اول که این تحقیق را به عنوان همکار پسادکتری CV Raman در IISc انجام داد و اکنون استاد یار در موسسه فناوری ملی موتیلال نهرو الله‌آباد (MNNIT Allahabad) است.

هوش مصنوعی هزاران واکنش شیمیایی نادیده گرفته شده را آشکار می‌کند

برای غلبه بر این محدودیت، تیم تحقیقاتی با استفاده از شبیه‌سازی‌های مکانیک کوانتومی، یک پایگاه داده مفصل شامل 152 واکنش شیمیایی ایجاد کرد. سپس مدل‌های یادگیری ماشین را برای برآورد سریع موانع انرژی که واکنش‌های اضافی باید بر آن غلبه کنند، آموزش داد.

با استفاده از ابزارهای محاسباتی خودکار، دانشمندان واکنش‌های ممکن شامل 105 گونه شیمیایی موجود در سطح کاتالیزور را بررسی کردند. آنها همچنین تعیین کردند که کدام تبدیل‌ها می‌توانند در یک مرحله واکنش واحد رخ دهند. این رویکرد شبکه اصلی آنها را از فقط 152 واکنش به 9389 واکنش گسترش داد.

تفاوت قابل توجه بود. هنگامی که محققان به شبکه کوچکتر اعتماد کردند، مدل آنها به اشتباه اسید فرمیک را به عنوان محصول اصلی به جای متانول شناسایی کرد. همچنین تخمین زد که میزان تبدیل CO2 به طور قابل توجهی کمتر از آزمایش‌ها است.

«وقتی فرآیند را با استفاده از 152 واکنشی که در ابتدا در نظر گرفته شده بود، مدل‌سازی کردیم، شبکه به اشتباه اسید فرمیک را به عنوان محصول اصلی و نه متانول پیش‌بینی کرد و میزان تبدیل CO2 را کمتر از حد تخمین زد. فقط زمانی که شبکه را به هزاران واکنش اضافی که قبلاً نادیده گرفته شده بودند، گسترش دادیم، پیش‌بینی‌ها با آنچه ما و دیگران به صورت تجربی مشاهده می‌کنیم، مطابقت کرد»، توضیح می‌دهد آنانت گوویند راجان، استاد مشارکتی در دپارتمان مهندسی شیمی، IISc.

مدل گسترده پیش‌بینی می‌کند که 40 برابر بیشتر CO2 تبدیل می‌شود

هنگامی که دانشمندان شبکه واکنش بزرگتر را در یک مدل از نحوه سریع رخ دادن فرآیندهای شیمیایی گنجاندند، میزان تبدیل CO2 پیش‌بینی شده در مقایسه با مدل اصلی تقریباً 40 برابر افزایش یافت.

مدل گسترده همچنین متانول و مونوکسید کربن را به عنوان محصولات اصلی شناسایی کرد و پیش‌بینی‌های آن را با یافته‌های تجربی هماهنگ کرد.

اعتبارسنجی تجربی توسط G Valavarasu و Santhosh Kotni در مرکز تحقیق و توسعه سبز شرکت هندوستان پترولیوم لیمیتد، همراه با Amol Amrute و همکارانش در آژانس علوم، فناوری و تحقیقات در سنگاپور انجام شد. Ambedkar Dukkipati، استاد دپارتمان علوم کامپیوتر و اتوماسیون در IISc نیز در مدل‌های یادگیری ماشین مشارکت داشت.

یک مسیر هیدروژنی شگفت‌انگیز شیمی سنتی را به چالش می‌کشد

علاوه بر بهبود پیش‌بینی‌ها، شبکه واکنش بسیار بزرگتر یک مکانیسم غیرمنتظره شامل هیدروژن را آشکار کرد.

در چندین مرحله واکنش مهم، هیدروژن می‌تواند مستقیماً به عنوان مولکول H2 به ترکیبات شیمیایی میانی منتقل شود، نه فقط از طریق اتم‌های هیدروژن جداگانه. محاسبات مکانیک کوانتومی اضافی تایید کرد که این مسیر می‌تواند به ویژه هنگامی که هیدروژن به واسطه‌های حاوی اکسیژن منتقل می‌شود، مطلوب باشد.

این یافته یک فرض دیرینه در مورد نحوه مشارکت هیدروژن در واکنش‌های کاتالیزوری را به چالش می‌کشد و می‌تواند سرنخ‌های ارزشمندی برای طراحی کاتالیزورهای بهتر ارائه دهد.

«ایده اینکه هیدروژن می‌تواند به عنوان یک مولکول دست نخورده، بدون اینکه ابتدا به اتم‌ها تقسیم شود، منتقل شود، برخلاف چیزی است که بیشتر ما یاد گرفته‌ایم»، می‌گوید شیوام چاتورودی، دانشجوی دکتری دپارتمان مهندسی شیمی، IISc. «این فقط به این دلیل آشکار شد که شبکه به اندازه کافی بزرگ بود تا به آن اجازه دهد و مشاهده با محاسبه صریح آن مراحل تأیید شد. این همچنین نشان می‌دهد که کاتالیزورهایی که تعامل قوی‌تری با H2 دارند، می‌توانند به طور بالقوه مسیرهایی را که منجر به متانول می‌شوند، افزایش دهند.

محققان معتقدند که این مکانیسم غیرمنتظره می‌تواند توسعه کاتالیزورهایی را که به طور موثرتری با هیدروژن مولکولی تعامل دارند، راهنمایی کند و به طور بالقوه مسیرهای شیمیایی مسئول تولید متانول از CO2 را بهبود بخشد.

چارچوب محاسباتی گسترده ممکن است فراتر از هیدروژناسیون دی‌اکسید کربن نیز کاربرد داشته باشد. با ادغام شبیه‌سازی‌های مکانیک کوانتومی، یادگیری ماشین، شناسایی خودکار واکنش‌های شیمیایی و مدل‌های نرخ واکنش، این رویکرد می‌تواند به محققان در بررسی سایر فرآیندهای صنعتی مهم کمک کند.

کاربردهای بالقوه شامل کاهش CO2 با استفاده از کاتالیزورهای مختلف، کاهش نیتروژن و شکافت آب است. با آشکار کردن مراحل شیمیایی که مدل‌های ساده‌تر ممکن است از دست بدهند، این تکنیک یک تصویر کامل‌تری از واکنش‌های کاتالیزوری پیچیده و فرصت‌های جدیدی برای بهبود فرآیندهای مورد استفاده برای تولید سوخت و مواد شیمیایی به دانشمندان ارائه می‌دهد.