دانشمندان هزاران واکنش شیمیایی را که قبلا نادیده گرفته شده بودند کشف کرده اند که می تواند به بهبود تبدیل دی اکسید کربن (CO) کمک کند.2) در سوخت های با ارزش و مواد شیمیایی صنعتی. با ترکیب یادگیری ماشین با شبیه‌سازی‌های کامپیوتری پیشرفته، محققان مؤسسه علوم هند (IISc) 9389 واکنش فردی را شناسایی کردند که روی یک کاتالیزور مسی اتفاق می‌افتد و مسیرهای شیمیایی غیرمنتظره‌ای را که مدل‌های معمولی از دست داده بودند، آشکار کردند.
یافته ها، منتشر شده در ارتباطات طبیعت، می تواند به دانشمندان کمک کند تا کاتالیزورهای کارآمدتری برای تبدیل CO ایجاد کنند2 محصولات مفیدی مانند متانول. این تحقیق همچنین روشی شگفت‌انگیز را نشان داد که در آن هیدروژن می‌تواند در این واکنش‌ها دخیل باشد و فرضیات ثابت شده در مورد نحوه عملکرد فرآیند را به چالش بکشد.
یک رویکرد امیدوارکننده برای بازیافت دی اکسید کربن هیدروژناسیون است که از یک کاتالیزور برای کمک به CO استفاده می کند.2 با هیدروژن واکنش داده و مواد شیمیایی مانند متانول را تشکیل می دهند. با این حال، این فرآیند شامل تعداد زیادی واکنش جداگانه است که روی سطح کاتالیزور انجام می شود. شبیه‌سازی هر مرحله ممکن با استفاده از مکانیک کوانتومی به قدرت محاسباتی عظیمی نیاز دارد، بنابراین محققان معمولاً روی انتخاب محدودی از واکنش‌ها تمرکز می‌کنند که تصور می‌شود مهم‌ترین آنها هستند. این ساده سازی می تواند صدها واکنش بالقوه بحرانی را از تصویر خارج کند.
“ما با یک نگرانی آشنا برای هر کسی که در مدل سازی مکانیکی کار می کند شروع کردیم: از کجا می دانید که شبکه واکنش شما یک مرحله مهم را از دست نداده است؟” نویسنده اول، آناند موهان ورما، می‌گوید که این پژوهش را به‌عنوان همکار پسادکتری CV رامان در IISc انجام داد و اکنون استادیار موسسه ملی فناوری Motilal Nehru، الله آباد (MNNIT Allahabad) است.
هوش مصنوعی هزاران واکنش شیمیایی نادیده گرفته شده را آشکار می کند
برای غلبه بر این محدودیت، تیم تحقیقاتی با استفاده از شبیه سازی مکانیک کوانتومی شروع به ساخت یک پایگاه داده دقیق شامل 152 واکنش شیمیایی کردند. آنها سپس مدل‌های یادگیری ماشینی را آموزش دادند تا به سرعت موانع انرژی را که واکنش‌های اضافی باید بر آنها غلبه کنند، تخمین بزنند.
دانشمندان با استفاده از ابزارهای محاسباتی خودکار، واکنش های احتمالی مربوط به 105 گونه شیمیایی موجود در سطح کاتالیزور را بررسی کردند. آنها همچنین تعیین کردند که کدام تبدیل می تواند در یک مرحله واکنش رخ دهد. این رویکرد شبکه اولیه آنها را از 152 واکنش به 9389 افزایش داد.
تفاوت قابل توجه بود. هنگامی که محققان به شبکه کوچکتر تکیه کردند، مدل آنها به اشتباه اسید فرمیک را به عنوان محصول اصلی به جای متانول شناسایی کرد. همچنین CO2 به میزان قابل توجهی کمتر را پیش بینی می کند2 تبدیل از آنچه توسط آزمایش نشان داده شده است.
زمانی که فرآیند را با استفاده از 152 واکنشی که در ابتدا در نظر گرفته شد مدل کردیم، شبکه به اشتباه اسید فرمیک را به جای متانول به عنوان محصول اصلی پیش‌بینی کرد و میزان CO را دست‌کم گرفت.2 تبدیل می شود. تنها زمانی که شبکه را گسترده کردیم تا هزاران واکنش اضافی که قبلاً نادیده گرفته شده بود را در بر گرفت، پیش‌بینی‌ها با آنچه که ما و دیگران به صورت تجربی می‌دیدیم مطابقت داشت.»
مدل توسعه یافته 40 برابر بیشتر CO را پیش بینی می کند2 تبدیل
هنگامی که دانشمندان شبکه واکنش بزرگتر را در مدلی از سرعت وقوع فرآیندهای شیمیایی گنجانیدند، مقدار پیش‌بینی شده CO22 تبدیل تقریباً 40 برابر نسبت به مدل اصلی افزایش یافته است.
مدل توسعه‌یافته همچنین متانول و مونوکسید کربن را به‌عنوان محصولات اصلی شناسایی می‌کند و پیش‌بینی‌های خود را با یافته‌های تجربی مطابقت می‌دهد.
اعتبار سنجی آزمایشی توسط G Valavarasu و Santhosh Kotni در مرکز تحقیقات و توسعه سبز شرکت Hindustan Petroleum Limited همراه با Amol Amrute و همکارانش در آژانس علم، فناوری و تحقیقات سنگاپور انجام شد. آمبدکار دوکی‌پاتی، استاد دپارتمان علوم کامپیوتر و اتوماسیون در IISc نیز در مدل‌های یادگیری ماشین مشارکت داشت.
یک مسیر شگفت‌انگیز هیدروژن، شیمی مرسوم را به چالش می‌کشد
علاوه بر بهبود پیش‌بینی‌ها، شبکه واکنش بسیار بزرگتر مکانیسم غیرمنتظره‌ای شامل هیدروژن را نشان داد.
در چندین مرحله واکنش مهم، هیدروژن می تواند مستقیماً به عنوان H2 مولکولی به واسطه ها منتقل شود، نه فقط از طریق اتم های هیدروژن منفرد. محاسبات مکانیکی کوانتومی اضافی تأیید کرد که این مسیر ممکن است به ویژه هنگامی که هیدروژن به واسطه های حاوی اکسیژن منتقل می شود مطلوب باشد.
این کشف گمانه زنی های طولانی مدت در مورد چگونگی مشارکت هیدروژن در واکنش های کاتالیزوری را به چالش می کشد و ممکن است سرنخ های ارزشمندی برای طراحی کاتالیزورهای بهتر ارائه دهد.
شیوام چاتورودی، یکی از نویسندگان این مقاله، دانشجوی دکترای دپارتمان مهندسی شیمی، IISc، می‌گوید: «این ایده که هیدروژن را می‌توان به‌عنوان یک مولکول دست‌نخورده بدون تقسیم شدن به اتم‌ها منتقل کرد، برخلاف آنچه به بسیاری از ما آموزش داده شده است، تضاد دارد. “این فقط به این دلیل پدیدار شد که شبکه به اندازه کافی بزرگ بود که اجازه آن را می داد، و مشاهدات زمانی انجام شد که ما به عقب برگشتیم و این مراحل را به صراحت محاسبه کردیم. همچنین نشان می دهد که کاتالیزورهایی که با H2 تعامل قوی تری دارند می توانند مسیرهای منتهی به متانول را بهبود بخشند.”
محققان بر این باورند که این مکانیسم غیرمنتظره می تواند توسعه کاتالیزورهایی را هدایت کند که به طور موثرتری با هیدروژن مولکولی برهمکنش می کنند و به طور بالقوه مسیرهای شیمیایی مسئول تولید متانول از CO را بهبود می بخشد.2.
چارچوب محاسباتی گسترده تر نیز ممکن است فراتر از هیدروژناسیون دی اکسید کربن مفید باشد. با ادغام شبیه‌سازی‌های مکانیک کوانتومی، یادگیری ماشین، شناسایی خودکار واکنش شیمیایی و مدل‌های سرعت واکنش، این رویکرد می‌تواند به محققان در مطالعه سایر فرآیندهای مهم صنعتی کمک کند.
کاربردهای بالقوه شامل CO2 کاهش با استفاده از کاتالیزورهای مختلف، کاهش نیتروژن و تقسیم آب. این تکنیک با آشکار کردن مراحل شیمیایی که ممکن است مدل‌های ساده‌تر از آن غافل شوند، تصویر کامل‌تری از واکنش‌های کاتالیزوری پیچیده و فرصت‌های جدیدی برای بهبود فرآیندهای مورد استفاده در ساخت سوخت‌ها و مواد شیمیایی به دانشمندان ارائه می‌دهد.
