Các nhà khoa học sử dụng AI để xác định vật liệu mới để thu giữ carbon
của Jared Sagoff, Phòng thí nghiệm quốc gia Argonne
Hình dung khoa học về quá trình lắp ráp được hướng dẫn bằng AI của khung kim loại-hữu cơ mới có khả năng hấp phụ carbon dioxide cao và các chất liên kết có thể tổng hợp được. Các khối xây dựng, được dự đoán bởi AI tổng hợp, được hiển thị ở bên trái, trong khi cấu trúc được AI dự đoán cuối cùng được hiển thị ở bên phải. Nhà cung cấp hình ảnh: Xiaoli Yan/Đại học Illinois Chicago và Nhóm Phân tích Dữ liệu & Trực quan hóa ALCF
Các kỹ thuật AI sáng tạo, học máy và mô phỏng mang đến cho các nhà nghiên cứu những cơ hội mới để xác định các vật liệu khung hữu cơ kim loại thân thiện với môi trường.
Thu hồi carbon là một công nghệ quan trọng trong việc giảm lượng khí thải nhà kính từ các nhà máy điện và các cơ sở công nghiệp khác. Tuy nhiên, vẫn chưa tìm ra vật liệu phù hợp để thu hồi carbon hiệu quả với chi phí thấp. Một ứng cử viên là khung hữu cơ kim loại hoặc MOF. Vật liệu xốp này có thể hấp thụ có chọn lọc carbon dioxide.
MOF có ba loại khối xây dựng trong phân tử của chúng – các nút vô cơ, các nút hữu cơ và các trình liên kết hữu cơ. Chúng có thể được sắp xếp ở các vị trí và cấu hình tương đối khác nhau. Kết quả là có vô số cấu hình MOF tiềm năng để các nhà khoa học thiết kế và thử nghiệm.
Để đẩy nhanh quá trình khám phá, các nhà nghiên cứu từ Phòng thí nghiệm quốc gia Argonne của Bộ Năng lượng Hoa Kỳ (DOE) đang đi theo một số con đường. Một là trí tuệ nhân tạo tổng quát (AI) để tạo ra những ứng cử viên khối xây dựng chưa từng được biết đến trước đây. Một dạng khác là một dạng AI được gọi là học máy. Con đường thứ ba là sàng lọc thông lượng cao các tài liệu ứng cử viên. Cuối cùng là mô phỏng dựa trên lý thuyết sử dụng phương pháp gọi là động lực phân tử.
Tham gia cùng Argonne trong dự án này là các nhà nghiên cứu từ Viện Khoa học và Công nghệ Tiên tiến Beckman tại Đại học Illinois Urbana-Champaign (UIUC), Đại học Illinois tại Chicago và Đại học Chicago.
Thiết kế MOF với khả năng chọn lọc và công suất carbon tối ưu là một thách thức đáng kể. Cho đến nay, thiết kế MOF vẫn dựa vào công việc tính toán và thử nghiệm tỉ mỉ. Điều này có thể tốn kém và tốn thời gian.
Bằng cách khám phá không gian thiết kế MOF với AI tổng hợp, nhóm đã có thể nhanh chóng tập hợp, xây dựng từng khối một, hơn 120.000 ứng cử viên MOF mới trong vòng 30 phút. Họ đã chạy những phép tính này trên siêu máy tính Polaris tại Cơ sở Máy tính Lãnh đạo Argonne (ALCF).
Sau đó, họ chuyển sang siêu máy tính Delta tại UIUC để thực hiện các mô phỏng động lực học phân tử tốn nhiều thời gian chỉ sử dụng những ứng cử viên có triển vọng nhất. Mục tiêu là sàng lọc chúng về độ ổn định, tính chất hóa học và khả năng thu hồi carbon. Delta là nỗ lực chung của Illinois và Trung tâm ứng dụng siêu máy tính quốc gia.
Phương pháp tiếp cận của nhóm cuối cùng có thể cho phép các nhà khoa học tổng hợp được những ứng cử viên MOF tốt nhất. Nhà khoa học tính toán Eliu Huerta của Argonne, người đứng đầu nghiên cứu cho biết: “Mọi người đã nghĩ về MOF trong ít nhất hai thập kỷ”. “Các phương pháp truyền thống thường liên quan đến tổng hợp thử nghiệm và mô hình tính toán với mô phỏng động lực phân tử. Nhưng cố gắng khảo sát cảnh quan MOF rộng lớn theo cách này là không thực tế.”
Thậm chí, những máy tính tiên tiến hơn nữa sẽ sớm được cung cấp cho nhóm sử dụng. Với sức mạnh của siêu máy tính exascale Aurora của ALCF, các nhà khoa học có thể khảo sát hàng tỷ ứng cử viên MOF cùng một lúc, bao gồm nhiều ứng cử viên thậm chí chưa từng được đề xuất trước đây.
Hơn nữa, nhóm nghiên cứu đang lấy cảm hứng hóa học từ nghiên cứu trước đây về thiết kế phân tử để khám phá những cách thức mới trong đó các khối xây dựng khác nhau của MOF có thể khớp với nhau.
Huerta nói: “Chúng tôi muốn bổ sung thêm những hương vị mới cho MOF mà chúng tôi đang thiết kế. “Chúng tôi cần những nguyên liệu mới cho công thức AI.” Thuật toán của nhóm có thể cải tiến MOF để thu giữ carbon bằng cách tìm hiểu hóa học từ các bộ dữ liệu thí nghiệm lý sinh, sinh lý và hóa lý chưa được xem xét cho thiết kế MOF trước đây.
Đối với Huerta, việc nhìn xa hơn các phương pháp tiếp cận truyền thống hứa hẹn sẽ tạo ra một loại vật liệu MOF có khả năng biến đổi - một loại vật liệu có thể thu giữ carbon hiệu quả, tiết kiệm chi phí và dễ sản xuất.
Huerta cho biết: “Chúng tôi hiện đang kết nối AI tổng hợp, sàng lọc thông lượng cao, động lực phân tử và mô phỏng Monte Carlo thành một quy trình làm việc độc lập”. "Quy trình công việc này kết hợp việc học trực tuyến bằng cách sử dụng nghiên cứu thực nghiệm và tính toán trước đây để tăng tốc và cải thiện độ chính xác của AI nhằm tạo ra MOF mới."
Cách tiếp cận từng nguyên tử đối với thiết kế MOF do AI hỗ trợ sẽ cho phép các nhà khoa học có được thứ mà nhà khoa học cấp cao của Argonne và giám đốc bộ phận Học tập và Khoa học Dữ liệu Ian Foster gọi là "ống kính rộng hơn" trên các loại cấu trúc xốp này.
"Công việc đang được thực hiện để đối với các MOF mới được lắp ráp bằng AI đang được dự đoán, chúng tôi kết hợp những hiểu biết sâu sắc từ các phòng thí nghiệm tự động để xác thực bằng thực nghiệm khả năng tổng hợp và khả năng bắt ô tô của chúng.
Foster nói. "Với mô hình được tinh chỉnh, các dự đoán của chúng tôi sẽ ngày càng tốt hơn."
Một bài báo dựa trên nghiên cứu này được viết bởi Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster và Emad Tajkhorshid. Nó xuất hiện trên ấn bản trực tuyến của Hóa học Truyền thông.
Tajkhorshid của UIUC cho biết: “Nghiên cứu này chứng minh tiềm năng to lớn của việc sử dụng các phương pháp tiếp cận dựa trên AI trong khoa học phân tử”. “Chúng tôi hy vọng sẽ mở rộng phạm vi tiếp cận các vấn đề như mô phỏng phân tử sinh học và thiết kế thuốc.”
Huerta cho biết: “Công trình này là minh chứng cho sự hợp tác giữa các sinh viên tốt nghiệp và các nhà khoa học mới bắt đầu sự nghiệp từ các tổ chức khác nhau, những người đã cùng nhau thực hiện dự án AI quan trọng này cho khoa học”. "Tương lai sẽ tươi sáng khi chúng tôi tiếp tục truyền cảm hứng và lấy cảm hứng từ các nhà khoa học trẻ tài năng."
