一种新颖的机器学习模型将脱碳催化剂评估的时间从几个月缩短到毫秒级
A novel machine learning model shortens the time for evaluating decarbonization catalysts from months to milliseconds.
生物质是指植物、木材、农业废弃物和其他生物材料等有机物质，可用作可再生能源。它被认为是可再生能源，因为它来自生物体，可以相对较快地再生，而不像化石燃料那样。生物质有潜力转化为不同类型的能源，如热能、电能和生物燃料，并有可能减少温室气体排放，促进可持续发展。
农场、草原和池塘等农村地区是生物质的丰富来源，包括玉米、大豆、甘蔗、灌木和藻类等。这些材料可以转化为液体燃料和化学品，具有广泛的潜在应用，包括为美国所有航空旅行提供可再生喷气燃料。
开发廉价催化剂是将生物质转化为生物燃料等有价值产品的一个重要挑战。然而，美国能源部阿贡国家实验室的研究人员开发了一种基于钼碳化物的低成本催化剂的人工智能模型，加速了其开发过程。
高温使原始生物质产生热解油，得到含氧量较高的产品。钼碳化物催化剂被用于消除这种含氧量，但催化剂的表面会吸引氧原子，导致其效果下降。为了克服这个问题，研究人员建议在钼碳化物催化剂中添加少量新元素，如镍或锌，以降低催化剂表面上氧原子的结合强度，从而防止其降解。
根据MSD的一位助理科学家的说法，挑战在于发现最佳的掺杂物和表面结构，以提高钼碳化物催化剂的效果。钼碳化物具有复杂的结构，因此团队利用超级计算和理论计算来模拟表面原子与氧原子以及其附近原子的行为。
研究团队利用阿贡的Theta超级计算机进行模拟，并建立了一个包含20,000个结构的数据库，用于掺杂钼碳化物的氧结合能。他们的分析考虑了数十种掺杂元素和每种掺杂物在催化剂表面上的一百多个可能位置。然后，他们使用这个数据库开发了一个深度学习模型。与传统的计算方法相比，这种技术使他们能够在毫秒内分析数以万计的结构，提供准确和经济高效的结果，而传统计算方法可能需要数月时间。
化学催化生物能源联合会收到了研究团队原子尺度模拟和深度学习模型的研究结果，他们将利用这些结果进行实验，并评估短名单中的一组催化剂。据Assary称，该团队希望将来扩展他们的计算方法，研究超过一百万个结构，并探索不同的结合原子，如氢。他们还计划将相同的技术应用于用于其他脱碳技术的催化剂，例如将水转化为清洁氢燃料。
