6 мин. чтения
5/3/2024 9:50:05 AM

Исследователи создают массовый открытый набор данных для продвижения AI решений для захвата углерода

Article Preview Image Материалы, адсорбаты, задачи и потенциальные приложения набора данных ODAC23.Изображения случайным образом отображаются из набора данных.Кредит: Центральная наука ACS (2024).Doi: 10.1021/acscentsci.3c01629

Чтобы избежать катастрофического климатического воздействия, необходимо устранить чрезмерные выбросы углерода.На этом этапе выбросов сокращения недостаточно.Direct Air Capture, технология, которая вытаскивает углекислый газ из окружающего воздуха, имеет большой потенциал, чтобы помочь решить проблему.

Но есть большая проблема.Для технологии прямого захвата воздуха каждый тип окружающей среды и местоположения требует уникальной конструкции.Например, конфигурация прямого захвата воздуха в Техасе обязательно отличается от одного в Исландии.Эти системы должны быть разработаны с точными параметрами для влажности, температуры и воздушных потоков для каждого места.

Теперь Georgia Tech и Meta сотрудничали для создания огромной базы данных, что потенциально облегчает и быстрее проектировать и реализовать технологии прямого захвата воздуха.База данных с открытым исходным кодом позволила команде обучать модель ИИ, которая на порядок на величине быстрее, чем существующее химическое моделирование.Проект, названный Opendac, может ускорить климатические решения, которые отчаянно нуждаются в планете.

Исследование команды было опубликовано в ACS Central Science.

«Для прямого захвата воздуха есть много идей о том, как лучше всего воспользоваться потоками воздуха и температурных перепадов данной среды», - сказал Эндрю Дж. Медфорд, доцент школы химической и биомолекулярной инженерии (CHBE) иведущий автор газеты.

«Но основной проблемой является поиск материала, который может эффективно захватывать углерод в конкретных условиях каждой среды».

Их идея заключалась в том, чтобы «создать базу данных и набор инструментов, которые помогут инженерам в широком смысле, которым необходимо найти правильный материал, который может работать», - сказал Медфорд.«Мы хотели использовать вычисления, чтобы взять их из не зная, с чего начать, чтобы дать им надежный список материалов для синтеза и попытки».

Содержит данные реакции для 8400 различных материалов и приводимы в действие почти 40 миллионов расчетов квантовой механики, команда считает, что это самый большой и самый надежный набор данных в своем роде.

Исследователи с командой Meta Fundamental Ai Research (FAIR) искали способы использовать свое мастерство машинного обучения для решения проблемы изменения климата.Они приземлились на прямой захват воздуха в качестве многообещающей технологии и должны были найти партнера с опытом в химии материалов, поскольку это связано с захватом углерода.Они пошли прямо в Грузию Тех.

Дэвид Шолл, профессор CHBE, Сесиль Л. и Дэвид И.Дж.Факультет Ван-факультета и директор Инициативы по трансформационной декарбонизации Национальной лаборатории Ок-Ридж, является одним из ведущих в мире экспертов в рамках металлических органических веществ (MOFS).Это класс материалов, многообещающих для прямого захвата воздуха из -за их сцепления и проверенной способности привлекать и улавливать углекислый газ.

Шолл привел Медфорда, который специализируется на применении моделей машинного обучения к атомистическому и квантовому механическому моделированию в отношении химии, в проект.

Шолл, Медфорд и их ученики предоставили все входные данные для базы данных.Поскольку база данных предсказывает взаимодействие MOF и выход энергии этих взаимодействий, требовалась значительная информация.

Им нужно было знать структуру почти каждого известного MOF - как структуры MOF, так и структуры MOF, взаимодействующей с диоксидом углерода и молекул воды.

«Чтобы предсказать, что может сделать материал, вам нужно знать, где находится каждый атом и каков его химический элемент», - сказал Медфорд.«Выяснение входов для базы данных было половиной проблемы, и именно здесь наша команда Georgia Tech принесла основной опыт».

Команда воспользовалась большими коллекциями структур MOF, которые ранее развивали его соавторы.Они также создали большую коллекцию структур, которые включали недостатки, обнаруженные в практических материалах.

Anuroop Sriram), исследовательский инженер в лидере справедливого и первого автора в статье, создал базу данных, запустив расчеты квантовой химии на входных данных, предоставленных командой Georgia Tech.В этих расчетах использовалось около 400 миллионов часов ЦП, что в сотни раз больше вычислителей, чем средняя академическая вычислительная лаборатория может сделать за год.

Fair также обучил модели машинного обучения в базе данных.После обучения на 40 миллионов расчетов модели машинного обучения смогли точно предсказать, как тысячи MOF будут взаимодействовать с углекислым газом.

Команда продемонстрировала, что их модели ИИ являются новыми мощными инструментами для обнаружения материалов, предлагая сопоставимую точность для традиционных расчетов квантовой химии, одновременно более быстрее.Эти функции позволят другим исследователям продлить работу по изучению многих других MOF в будущем.

«Наша цель состояла в том, чтобы взглянуть на набор всех известных MOF и найти те, которые наиболее сильно привлекают углекислый газ, не привлекая других компонентов воздуха, таких как водяной пара, и используя эти очень точные квантовые вычисления для этого», - сказал Срирам.«Насколько нам известно, это то, что ни одна другая база данных по улавливанию углерода не смогла сделать».

Получив свою собственную базу данных, команды Georgia Tech и Meta определили около 241 MOF исключительно высокого потенциала для прямого захвата воздуха.

«Согласно ООН и самым промышленно развитым странам, мы должны добраться до выбросов углекислого газа в чистое нулевой газеты к 2050 году»,-сказал Мэтт Уйттендаэле, директор команды Meta’s Fair Chemistry и соавтор в газете.

«Большая часть этого должна произойти путем прямой остановки выбросов углерода, но мы также должны рассмотреть исторические выбросы углерода и сектора экономики, которые очень трудно декарбонизировать - такие как авиация и тяжелая промышленность. Вот почему должны прийти технологии удаления CO2, такие как прямой захват воздухаонлайн в ближайшие 25 лет ».

В то время как прямой захват воздуха по -прежнему является зарождающимся областью, исследователи говорят, что крайне важно, чтобы революционные инструменты, такие как база данных Opendac, предоставленные в статье команды, сейчас в разработке.

«Не будет одного решения, которое приведет нас к выбросам в чистое нулевой»,-сказал Шрирам.«Прямой захват воздуха обладает большим потенциалом, но должен значительно увеличить, прежде чем мы сможем оказать реальное влияние. Я думаю, что единственный способ, которым мы можем получить, - это найти лучшие материалы».

Исследователи из обеих команд надеются, что научное сообщество присоединится к поиску подходящих материалов.Весь проект набора данных OpenDAC является открытым исходным кодом, от данных до моделей до алгоритмов.

«Я надеюсь, что это ускорит разработку технологий негативного выброса, таких как прямой захват воздуха, которые, возможно, не могли быть возможны в противном случае»,-сказал Медфорд.«Как вид, мы должны решить эту проблему в какой -то момент. Я надеюсь, что эта работа может способствовать тому, чтобы получить нас туда, и я думаю, что она имеет реальный шанс сделать это».

Больше информации: Anuroop Sriram et al., Набор данных Open DAC 2023 и проблемы для обнаружения сорбента в прямом воздухе, центральная наука ACS (2024).Doi: 10.1021/acscentsci.3c01629

Получи бесплатную еженедельную рассылку со ссылками на репозитории и лонгриды самых интересных историй о стартапах 🚀, AI технологиях 👩‍💻 и программировании 💻!
Присоединяйся к тысячам читателей для получения одного еженедельного письма

Подписывайся на нас:

Нашли ошибку в тексте? Напишите нам.

Добавляй ЛРНЧ в свою ленту Google Новостей.
Читайте далее 📖

Охлаждающий материал следующего поколения без электричества

8/10/2024 · 6 мин. чтения

Охлаждающий материал следующего поколения без электричества

Исследователи используют машинное обучение для оптимизации дизайна солнечных элементов

8/7/2024 · 6 мин. чтения

Исследователи используют машинное обучение для оптимизации дизайна солнечных элементов

*Facebook, Instagram, Meta - запрещенные в РФ организации.