هوش مصنوعی میان‌بر شیمیایی پنهانی را آشکار می‌کند که می‌تواند CO2 را به سوخت تبدیل کند

دانشمندان هزاران واکنش شیمیایی نادیده گرفته شده قبلی را کشف کرده‌اند که می‌تواند به بهبود تبدیل دی‌اکسید کربن (CO₂) به سوخت‌های ارزشمند و مواد شیمیایی صنعتی کمک کند. پژوهشگران در مؤسسه علم هند (IISc) با ترکیب یادگیری ماشین و شبیه‌سازی‌های پیشرفته کامپیوتری، ۹،۳۸۹ واکنش فردی رخ داده روی یک کاتالیزور مس را شناسایی کردند و مسیرهای شیمیایی غیرمنتظره‌ای را آشکار ساختند که مدل‌های متعارف آن‌ها را از دست داده بودند.

این یافته‌ها که در Nature Communications منتشر شده‌اند، می‌توانند به دانشمندان کمک کنند تا کاتالیزورهای مؤثرتری برای تبدیل CO₂ به محصولات مفیدی مانند متانول توسعه دهند. این پژوهش همچنین روشی غافلگیرانه برای مشارکت هیدروژن در این واکنش‌ها را کشف کرد که فرضیات تثبیت‌شده درباره نحوه عملکرد فرآیند را به چالش می‌کشد.

یکی از رویکردهای امیدوارکننده برای بازیافت دی‌اکسید کربن، هیدروژناسیون است که از یک کاتالیزور برای کمک به واکنش CO₂ با هیدروژن و تشکیل موادی مانند متانول استفاده می‌کند. با این حال، این فرآیند شامل تعداد بسیار زیادی واکنش فردی است که در سراسر سطح کاتالیزور رخ می‌دهند. شبیه‌سازی هر مرحله ممکن با استفاده از مکانیک کوانتوم نیازمند قدرت محاسباتی عظیمی است، بنابراین پژوهشگران معمولاً بر انتخاب محدودی از واکنش‌هایی که معتقدند مهم‌ترین هستند تمرکز می‌کنند. این ساده‌سازی می‌تواند صدها واکنش بالقوه حیاتی را از تصویر حذف کند.

«ما با نگرانی آشنا برای هر کسی که مدل‌سازی مکانیسمی انجام می‌دهد شروع کردیم: چگونه مطمئن شوید که شبکه واکنش شما مرحله‌ای که اهمیت دارد را حذف نکرده است؟» می‌گوید نویسنده اول، آناند موهان ورما، که این پژوهش را به عنوان هم‌پژوه پسادکتری CV Raman در IISc انجام داد و اکنون استاد یار در مؤسسه ملی فناوری موتی لال نهرو الله‌آباد (MNNIT Allahabad) است.

برای غلبه بر این محدودیت، تیم پژوهشی ابتدا از شبیه‌سازی‌های مکانیک کوانتوم برای ساخت پایگاه داده‌ای دقیق شامل ۱۵۲ واکنش شیمیایی استفاده کرد. سپس مدل‌های یادگیری ماشین را آموزش دادند تا موانع انرژی مورد نیاز برای واکنش‌های اضافی را به سرعت تخمین بزنند.

با استفاده از ابزارهای محاسباتی خودکار، دانشمندان واکنش‌های ممکن شامل ۱۰۵ گونه شیمیایی موجود روی سطح کاتالیزور را بررسی کردند. آن‌ها همچنین تعیین کردند کدام تبدولات می‌توانند در یک مرحله واکنش تک‌مرحله‌ای رخ دهند. این رویکرد شبکه اولیه آن‌ها را از تنها ۱۵۲ واکنش به ۹،۳۸۹ واکنش گسترش داد.

تفاوت قابل توجه بود. زمانی که پژوهشگران به شبکه کوچک‌تر تکیه کردند، مدل آن‌ها اسید فرمیک را به اشتباه به عنوان محصول اصلی به جای متانول شناسایی کرد. همچنین مقدار تبدیل CO₂ را به طور قابل توجهی کمتر از آنچه آزمایش‌ها نشان می‌دادند پیش‌بینی کرد.

«وقتی فرآیند را با استفاده از ۱۵۲ واکنش در نظر گرفته شده در ابتدا مدل‌سازی کردیم، شبکه به اشتباه اسید فرمیک، نه متانول، را به عنوان محصول اصلی پیش‌بینی کرد و میزان تبدیل CO₂ را دست‌کم گرفت. تنها زمانی که شبکه را برای شامل کردن هزاران واکنش اضافی نادیده گرفته شده گسترش دادیم، پیش‌بینی‌ها با آنچه ما و دیگران به صورت تجربی مشاهده می‌کنیم همسو شد»، توضیح می‌دهد نویسنده مسئول، آنانث گوویند راجان، استاد انجمن در گروه مهندسی شیمی، IISc.

زمانی که دانشمندان شبکه واکنش بزرگ‌تر را در مدلی از سرعت وقوع فرآیندهای شیمیایی ادغام کردند، مقدار پیش‌بینی شده تبدیل CO₂ نسبت به مدل اصلی تقریباً ۴۰ برابر افزایش یافت.

مدل گسترده‌تر همچنین متانول و مونوکسید کربن را به درستی به عنوان محصولات اصلی شناسایی کرد و پیش‌بینی‌های آن را با یافته‌های تجربی همسو ساخت.

اعتبارسنجی تجربی توسط جی والاوراسو و سانتوش کوتنی در مرکز تحقیقات و توسعه سبز شرکت نفتی هندوستان، همراه با آمول آمروت و همکارانشان در آژانس علوم، فناوری و پژوهش در سنگاپور انجام شد. امبدکار دوکیپاتی، استاد در گروه علوم رایانه و اتوماسیون در IISc نیز به مدل‌های یادگیری ماشین کمک کرد.

فراتر از بهبود پیش‌بینی‌ها، شبکه واکنش بسیار بزرگ‌تر مکانیسم غیرمنتظره‌ای شامل هیدروژن را آشکار کرد.

در چندین مرحله واکنش مهم، هیدروژن می‌تواند مستقیماً به صورت مولکول H2 به ترکیبات شیمیایی واسط منتقل شود، نه فقط از طریق اتم‌های هیدروژن جداگانه. محاسبات اضافی مکانیک کوانتوم تأیید کردند که این مسیر می‌تواند به ویژه وقتی هیدروژن به واسطه‌های حاوی اکسیژن منتقل می‌شود مطلوب باشد.

این یافته یک فرضیه دیرینه درباره نحوه مشارکت هیدروژن در واکنش‌های کاتالیزوری را به چالش می‌کشد و می‌تواند سرنخ‌های ارزشمندی برای طراحی کاتالیزورهای بهتر فراهم کند.

«ایده اینکه هیدروژن می‌تواند به صورت یک مولکول سالم، بدون تجزیه شدن اولیه به اتم‌ها، منتقل شود، برخلاف چیزی است که اکثر ما آموزش دیده‌ایم»، می‌گوید هم‌نویسنده، شیوام چاتورودی، دانشجوی دکتری در گروه مهندسی شیمی، IISc. «این موضوع تنها به دلیل اندازه کافی شبکه برای اجازه دادن به آن ظاهر شد و مشاهده وقتی دوباره رفتیم و آن مراحل را صریحاً محاسبه کردیم، دوام آورد. این همچنین پیشنهاد می‌کند که کاتالیزورهایی که تعامل قوی‌تری با H2 دارند می‌توانند به طور بالقوه مسیرهای منجر به متانول را تقویت کنند.»

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

چارچوب محاسباتی گسترده‌تر ممکن است فراتر از هیدروژناسیون دی‌اکسید کربن نیز مفید باشد. با ادغام شبیه‌سازی‌های مکانیک کوانتوم، یادگیری ماشین، شناسایی خودکار واکنش‌های شیمیایی و مدل‌های نرخ واکنش، این رویکرد می‌تواند به پژوهشگران کمک کند تا فرآیندهای صنعتی مهم دیگر را بررسی کنند.

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 تصویری کامل‌تر از واکنش‌های کاتالیزوری پیچیده و فرصت‌های جدیدی برای بهبود فرآیندهای مورد استفاده در تولید سوخت‌ها و مواد شیمیایی به دانشمندان ارائه می‌دهد.