人工智能有助于研究较高效率的上周期废碳

来自T Engineering and Carnegie Mellon大学的研究人员正在使用这样的电解器将废物二氧化碳转化为商业有价值的化学品。他们的最新催化剂部分通过使用AI设计，是其班级中最有效的。

多伦多工程大学和卡内基梅隆大学的研究人员正在使用人工智能（AI），以加速将废碳转化为具有记录效率的商业有价值产品的进展。

它们利用AI加速搜索在新催化剂中的关键材料，将二氧化碳（CO2）转化为乙烯 - 一种从塑料到乙烯的化学前体，从塑料到洗涤剂。

由此产生的电催化剂是其类中最有效的。如果使用风或太阳能的运行，系统还提供了一种高效的方法来存储来自这些可再生但间歇性源的电力。

“使用清洁电力将CO2转换为乙烯，该乙烯具有6000亿美元的全球市场，可以改善碳捕获和清洁能源存储的经济性，”TED SARGETER是第13届发表的新文件的高级作者之一教授，2020年，本质上。

新型催化剂是铜和铝的合金，具有独特的纳米级多孔结构。

Sargent和他的团队已经开发了许多世界领先的催化剂，以降低将CO2转化为乙烯和其他碳基分子的反应的能量成本。但是，即使是更好的人可能出现在那里，并且有数百万个潜在的材料组合可以选择，测试它们都会是不可接受的耗时。

该团队表明，机器学习可以加速搜索。使用计算机模型和理论数据，算法可以折腾最糟糕的选择，并指向更有前途的候选人的方式。

使用AI搜索清洁能源材料在由Sargent与加拿大先进研究所（CiFar）合作的2017年研讨会上提出。该想法进一步阐述了当年晚些时候发表的自然评论文章中。

卡内基梅隆大学扎利乌斯尼教授是原始研讨会的受邀研究人员之一。他的小组专注于纳米材料的计算机建模。

“随着其他化学反应，我们拥有大型和完善的数据集，列出了潜在的催化剂材料及其性质，”乌利斯说。

“通过CO2-乙烯转换，我们没有那个，所以我们不能使用蛮力来建模一切。我们的团队花了很多时间考虑着创造性的方式来寻找最有趣的材料。“

由Ulissi和他的团队创建的算法使用机器学习模型的组合和积极的学习策略，以广泛地预测给定催化剂的产品可能产生什么类型的产品，即使没有详细的材料本身的详细建模。

它们将这些算法应用于CO2还原以筛选超过240种不同的材料，发现4个有希望的候选物，预计在非常广泛的组合物和表面结构上具有所需的性能。

在新论文中，共同作者描述了它们最佳性能的催化剂材料，铜和铝的合金。在高温下键合后，然后蚀刻一些铝，导致纳米级多孔结构，即Sargent描述为“蓬松”。

然后在称为电解槽的装置中测试新的催化剂，其中“游览效率” - 在80％下测量了在制造所需产物的电流的比例，为此反应的新记录。

Sargent表示，如果系统是生产与衍生自化石燃料的成本竞争力的乙烯，则需要进一步降低能量成本。未来的研究将集中于降低反应所需的总电压，以及进一步降低副产品的比例，这是分离的昂贵的。

新型催化剂是第一个用于二氧化碳转化转换的第一催化剂通过使用AI部分设计。它也是蔚蓝的主动学习方法的第一个实验演示。其强大的性能验证了这种战略和助理的有效性，以便对未来这种性质的合作。

“有很多方法可以安排铜和铝可以安排，但计算所显示的是，几乎所有这些都预计以某种方式是有益的，”Sargent说。“所以当我们的第一个实验没有锻炼时，我们坚持不懈，而不是尝试不同的材料，因为我们知道有一些值得投资的东西。”

参考：“加速发现有源机器学习的二氧化碳电催化剂”由苗钟，凯文特立，沂蒙敏，川浩王，紫云王，慈芩，宗倩宇，阿林·秘密学拉索尔，彼得布罗德森，宋孙，宋孙，宋孙，宋孙，宋孙，宋孙，宋孙，宋孙，p zh·翁Voznyy，Chih-Shan Tan，Mikhail Askerka，Fanglin Che，Min Liu，Ali Seifitokaldani，Yuanjie Pang，Shen-Chuan Lo，Alexander IP，Zachary Ulissi和Edward H. Sargent，2012年5月13日，13日，自然：
10.1038 / s41586-020-2242-8