Οι τεχνικές παραγωγικής τεχνητής νοημοσύνης (Generative AI), η μηχανική μάθηση και οι υπολογιστικές προσομοιώσεις δίνουν στους ερευνητές νέες ευκαιρίες να εντοπίσουν φιλικά προς το περιβάλλον Metal-Organic Frameworks (MOFs) υλικά.
Η δέσμευση άνθρακα είναι μια κρίσιμη τεχνολογία για τη μείωση των εκπομπών των αερίων του θερμοκηπίου από σταθμούς ηλεκτροπαραγωγής και άλλες βιομηχανικές εγκαταστάσεις. Ωστόσο, δεν είναι ακόμη διαθέσιμο ένα κατάλληλο υλικό για την αποτελεσματική δέσμευση άνθρακα σε χαμηλό κόστος. Ένας υποψήφιος είναι τα Metal-Organic Frameworks (MOF), τα οποία είναι μια μεγάλη κατηγορία κρυσταλλικών υλικών με εξαιρετικά υψηλό πορώδες (έως 90% ελεύθερος όγκος) και τεράστιες εσωτερικές επιφάνειες, που εκτείνονται πέρα από τα 6 000 m2/g. Αυτά τα πορώδη υλικά μπορούν να απορροφήσουν επιλεκτικά το διοξείδιο του άνθρακα.
Τα MOFs έχουν τρία είδη δομικών στοιχείων στα μόρια τους: ανόργανους κόμβους (nodes), οργανικούς κόμβους και οργανικούς συνδέτες (linkers). Αυτά τα συστατικά μπορούν να καταλάβουν διαφορετικές σχετικές θέσεις, δίνοντας διαφορετικές διαμορφώσεις. Ως αποτέλεσμα, υπάρχουν αμέτρητες πιθανές διαμορφώσεις υλικών MOF για να σχεδιάσουν και να δοκιμάσουν οι επιστήμονες.
Για να επιταχυνθεί η διαδικασία έρευνας, ερευνητές από το Εθνικό Εργαστήριο Argonne του Υπουργείου Ενέργειας των ΗΠΑ ακολουθούν διάφορες οδούς. Μία από αυτές είναι η παραγωγική τεχνητή νοημοσύνη (Generative AI) για να ανακαλύψουν γρήγορα άγνωστα μέχρι τώρα δομικά στοιχεία για τη δημιουργία MOFs. Μια άλλη δοκιμαζόμενη μέθοδος προς αυτή την κατεύθυνση είναι η μηχανική μάθηση. Ένα τρίτο μονοπάτι είναι το high-throughput screening των υποψηφίων υλικών. Η τελευταία μέθοδος περιλαμβάνει προσομοιώσεις με θεωρητική βάση χρησιμοποιώντας μοριακή δυναμική (molecular dynamics).
Παράλληλα με τους ερευνητές του εργαστηρίου Argonne, στην ερευνητική ομάδα συμμετέχουν ερευνητές από το Ινστιτούτο Προηγμένης Επιστήμης και Τεχνολογίας Beckman στο Πανεπιστήμιο του Illinois στο Urbana-Champaign (UIUC), το Πανεπιστήμιο του Illinois στο Σικάγο και το Πανεπιστήμιο του Σικάγο.
Ο σχεδιασμός υλικών MOF με βέλτιστη επιλεκτικότητα και χωρητικότητα άνθρακα είναι μια σημαντική πρόκληση. Μέχρι τώρα, ο σχεδιασμός MOF βασιζόταν σε επίπονη πειραματική και υπολογιστική εργασία η οποία είναι δαπανηρή και χρονοβόρα.
Εξερευνώντας το πεδίο του σχεδιασμού υλικών MOF με τη χρήση της παραγωγικής τεχνητής νοημοσύνης, η ομάδα κατάφερε να εντοπίσει μέσα σε 30 λεπτά πάνω από 120.000 νέα υποψήφια δομικά στοιχεία για την ανάπτυξη MOF. Οι απαραίτητοι υπολογισμού έγιναν στον υπερυπολογιστή Polaris της Argonne Leadership Computing Facility (ALCF).
Στη συνέχεια, οι ερευνητές στράφηκαν στον υπερυπολογιστή Delta στο UIUC για να πραγματοποιήσουν χρονοβόρες προσομοιώσεις μοριακής δυναμικής χρησιμοποιώντας μόνο τα πιο υποσχόμενα δομικά στοιχεία. Ο στόχος ήταν να ελεγχθούν όσον αφορά στη σταθερότητα, τις χημικές ιδιότητες και την ικανότητα δέσμευσης άνθρακα.
Η προσέγγιση της ερευνητικής ομάδας θα μπορούσε τελικά να επιτρέψει στους επιστήμονες να συνθέσουν μόνο τους καλύτερους υποψήφιους MOF. «Οι άνθρωποι σκέφτονται τα MOF για τουλάχιστον δύο δεκαετίες», δήλωσε ο ερευνητής υπολογιστικών μεθόδων του εργαστηρίου Argonne, Eliu Huerta, ο οποίος έλαβε μέρος στη σχετική μελέτη. «Οι παραδοσιακές μέθοδοι συνήθως περιλαμβάνουν πειραματική σύνθεση και υπολογιστική μοντελοποίηση με προσομοιώσεις μοριακής δυναμικής. Αλλά η προσπάθεια να ερευνηθεί ο τεράστιος αριθμός πιθανών συνδυασμών για την παραγωγή υλικών MOF με αυτόν τον τρόπο, είναι απλά μη ρεαλιστική».
Σύντομα, η ερευνητική ομάδα θα έχει στη διάθεση της ακόμη πιο προηγμένους υπολογιστές. Με τη δύναμη του υπερυπολογιστή Aurora του ALCF, οι επιστήμονες θα μπορούσαν να ερευνήσουν δισεκατομμύρια υποψήφια δομικά στοιχεία MOF ταυτόχρονα, συμπεριλαμβανομένων πολλών που δεν έχουν καν προταθεί ποτέ πριν.
Επιπλέον, η ομάδα αντλεί έμπνευση από προηγούμενες εργασίες στο μοριακό σχεδιασμό για να ανακαλύψει νέους τρόπους με τους οποίους τα διαφορετικά δομικά στοιχεία ενός MOF θα μπορούσαν να ταιριάζουν μεταξύ τους.
«Θέλαμε να προσθέσουμε νέα δομικά στοιχεία στα MOF που σχεδιάζουμε», είπε ο Huerta. «Χρειαζόμαστε νέα συστατικά για να τροφοδοτήσουμε την τεχνητή νοημοσύνη». Ο αλγόριθμος της ομάδας μπορεί να κάνει βελτιώσεις στα MOF για τη δέσμευση άνθρακα, εκπαιδευόμενος στη χημεία από πειραματικά σύνολα δεδομένων βιοφυσικής, φυσιολογίας και φυσικής χημείας που δεν έχουν ληφθεί υπόψη για το σχεδιασμό MOF στο παρελθόν.
Για τον Huerta, η μετακίνηση από τις παραδοσιακές προσεγγίσεις υπόσχεται ένα εξαιρετικό υλικό MOF, το οποίο θα μπορούσε να είναι καλό στη δέσμευση άνθρακα, οικονομικά αποδοτικό και εύκολο στην παραγωγή.
«Τώρα συνδυάζουμε παραγωγική τεχνητή νοημοσύνη, διαλογή υψηλής ταχύτητας, μοριακή δυναμική και προσομοιώσεις Monte Carlo σε μια αυτόνομη ροή εργασιών», είπε ο Huerta. «Αυτή η ροή εργασιών ενσωματώνει την εκπαίδευση των μοντέλων χρησιμοποιώντας προηγούμενη πειραματική και υπολογιστική έρευνα για να επιταχύνει και να βελτιώσει την ακρίβεια της τεχνητής νοημοσύνης για τη δημιουργία νέων MOFs».
Η προσέγγιση σχεδιασμού MOF σε ατομική κλίμακα, η οποία γίνεται δυνατή μέσω της τεχνητής νοημοσύνης, θα επιτρέψει στους επιστήμονες να αποκτήσουν μεγάλη γνώση για αυτά τα είδη πορωδών δομών σύμφωνα με τον διευθυντή του τμήματος Επιστήμης και Μάθησης του εργαστηρίου Argonne, Ian Foster.
«Γίνεται δουλειά έτσι ώστε, για τα νέα MOF που προκύπτουν μέσω της τεχνητής νοημοσύνης, να ενσωματώσουμε πληροφορίες από άλλα εργαστήρια για να επικυρώσουμε πειραματικά την ικανότητά τους να συντίθενται και την ικανότητά τους να δεσμεύουν άνθρακα. Όσο βελτιώνεται η μοντελοποίηση τόσο οι προβλέψεις μας θα γίνονται όλο και καλύτερες».
Μια εργασία βασισμένη στη μελέτη συντάχθηκε από τους Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster και Emad Tajkhorshid και δημοσιεύθηκε στην επιστημονική έκδοση Communications Chemistry.
«Η μελέτη καταδεικνύει τις μεγάλες δυνατότητες χρήσης προσεγγίσεων που βασίζονται στην τεχνητή νοημοσύνη στις μοριακές επιστήμες», δήλωσε ο Tajkhorshid της UIUC. «Ελπίζουμε να επεκτείνουμε το εύρος της προσέγγισης σε προβλήματα όπως ο σχεδιασμός φαρμάκων».
«Αυτή η εργασία είναι μια απόδειξη της συνεργασίας μεταξύ μεταπτυχιακών φοιτητών και επιστημόνων. Το μέλλον προβλέπεται λαμπρό καθώς συνεχίζουμε να εμπνέουμε και να εμπνεόμαστε από ταλαντούχους νέους επιστήμονες». είπε ο Huerta.
Με πληροφορίες από phys.org
