هوش مصنوعی هزاران واکنش شیمیایی پنهان را کشف کرد که می‌توانند بهره‌وری تبدیل CO₂ به سوخت را افزایش دهند
پژوهشگران مؤسسه علوم هند (IISc) با استفاده از یادگیری ماشین ۹٬۳۸۹ واکنش شیمیایی را شناسایی کردند که ممکن است روی سطح یک کاتالیزور مس هنگام تبدیل دی‌اکسید کربن رخ دهند. بسیاری از این واکنش‌ها در مدل‌های پیشین وجود نداشتند و همین مسئله باعث می‌شد آن مدل‌ها محصولات واکنش را به‌اشتباه پیش‌بینی کنند و میزان قابل‌تبدیل CO₂ را کمتر از مقدار واقعی برآورد کنند.
مدل جدید در مقایسه با مدل اولیه، تبدیل دی‌اکسید کربن را حدود ۴۰ برابر بیشتر پیش‌بینی کرد. افزون بر این، دانشمندان سازوکاری غیرمعمول برای مشارکت هیدروژن در واکنش‌ها کشف کردند که می‌تواند به توسعه کاتالیزورهای کارآمدتر برای تولید متانول و دیگر مواد شیمیایی مفید کمک کند. نتایج این مطالعه در Nature Communications منتشر شده است.
چرا مدل‌های شیمیایی واکنش‌های مهم را از دست می‌دهند؟
یکی از روش‌های امیدوارکننده برای فرآوری دی‌اکسید کربن، هیدروژناسیون است؛ فرایندی که در آن CO₂ در حضور یک کاتالیزور با هیدروژن واکنش می‌دهد. این فرایند، برای مثال، می‌تواند به تولید متانول منجر شود؛ ماده‌ای که هم به‌عنوان خوراک شیمیایی و هم به‌عنوان یک سوخت بالقوه کاربرد دارد.
با این حال، واکنش‌های شیمیایی متعددی می‌توانند به‌طور هم‌زمان روی سطح کاتالیزور رخ دهند. ترکیبات میانی تشکیل می‌شوند، تغییر می‌کنند و با یکدیگر برهم‌کنش دارند و در نتیجه شبکه‌ای پیچیده از واکنش‌ها شکل می‌گیرد.
مدل‌سازی همه مراحل احتمالی با استفاده از مکانیک کوانتومی به منابع محاسباتی بسیار زیادی نیاز دارد. به همین دلیل، دانشمندان معمولاً تعداد محدودی از واکنش‌هایی را که مهم‌تر می‌دانند انتخاب می‌کنند. این رویکرد محاسبات را ساده‌تر می‌کند، اما خطر نادیده گرفتن واکنشی را به همراه دارد که ممکن است نتیجه نهایی را تعیین کند.
آنان موهان ورما، نویسنده اول مقاله، این مشکل را چنین توضیح می‌دهد: «چگونه می‌توانیم بدانیم مرحله‌ای که برای کل فرایند تعیین‌کننده است، از شبکه واکنش‌ها نادیده گرفته نشده است؟» او هنگام انجام این پژوهش، پژوهشگر پسادکتری در مؤسسه علوم هند بود و اکنون در مؤسسه ملی فناوری موتیلال نهرو در الله‌آباد تدریس می‌کند.
چگونه هوش مصنوعی شبکه واکنش‌ها را از ۱۵۲ به ۹٬۳۸۹ واکنش گسترش داد؟
دانشمندان ابتدا با استفاده از محاسبات مکانیک کوانتومی، مجموعه پایه‌ای شامل ۱۵۲ واکنش شیمیایی ایجاد کردند. سپس مدل‌های یادگیری ماشین را آموزش دادند تا بتوانند موانع انرژی را به‌سرعت برآورد کنند؛ یعنی مقدار انرژی لازم برای آنکه یک تبدیل شیمیایی مشخص رخ دهد.
پس از آن، پژوهشگران از ابزارهای محاسباتی خودکار برای بررسی واکنش‌های احتمالی میان ۱۰۵ گونه شیمیایی روی سطح کاتالیزور استفاده کردند. الگوریتم‌ها کمک کردند مشخص شود کدام تبدیل‌ها می‌توانند در یک مرحله رخ دهند و در نهایت شبکه اولیه را به ۹٬۳۸۹ واکنش گسترش دادند.
تفاوت میان دو مدل اساسی بود. مدلی که تنها ۱۵۲ واکنش اولیه را در نظر می‌گرفت، به‌اشتباه پیش‌بینی می‌کرد اسید فرمیک، نه متانول، محصول اصلی باشد. این مدل همچنین میزان تبدیل دی‌اکسید کربن را به‌طور قابل‌توجهی کمتر از مقدار واقعی برآورد می‌کرد.
وقتی دانشمندان هزاران واکنش اضافی را وارد مدل کردند، نتایج محاسبات با مشاهدات تجربی سازگاری بسیار بیشتری پیدا کرد. مدل جدید توانست متانول و مونوکسید کربن را به‌درستی به‌عنوان محصولات اصلی این فرایند شناسایی کند.
تبدیل CO₂ در محاسبات ۴۰ برابر افزایش یافت
پژوهشگران پس از گسترش شبکه واکنش‌ها، مدلی ساختند که سرعت فرایندهای شیمیایی منفرد را نیز در نظر می‌گیرد. این مدل تبدیل CO₂ را تقریباً ۴۰ برابر بیشتر از مدل اولیه، که تعداد محدودی واکنش را در نظر گرفته بود، پیش‌بینی کرد.
این نتیجه به آن معنا نیست که دانشمندان در یک راکتور واقعی بازده تولید سوخت را ۴۰ برابر افزایش داده‌اند. موضوع، تفاوت میان دو مدل محاسباتی است که یکی از آنها مسیرهای شیمیایی احتمالی بسیار بیشتری را در نظر می‌گیرد. محاسبات جدید به نتایج تجربی نزدیک‌تر بودند، اما به‌تنهایی بهبود مشابهی را در یک سامانه صنعتی اثبات نمی‌کنند.
اعتبارسنجی تجربی این پژوهش را متخصصان مرکز تحقیق و توسعه سبز شرکت هندی هندوستان پترولیوم و همچنین دانشمندان سازمان علم، فناوری و پژوهش سنگاپور (A*STAR) انجام دادند.
این پژوهش نشان می‌دهد دقت مدل‌سازی تا چه اندازه به کامل بودن توصیف فرایندهای شیمیایی وابسته است. حتی اگر واکنش‌های منفرد به‌درستی محاسبه شوند، حذف بسیاری از مراحل کمتر آشکار می‌تواند به پیش‌بینی نادرست رفتار کل سامانه منجر شود.
هیدروژن ممکن است به شیوه‌ای غیرمنتظره در واکنش مشارکت کند
شبکه گسترش‌یافته ویژگی دیگری را نیز آشکار کرد: در برخی واکنش‌های مهم، ممکن است هیدروژن به‌صورت یک مولکول دست‌نخورده H₂ به ترکیبات میانی منتقل شود، بدون آنکه ابتدا به اتم‌های جداگانه تقسیم شود.
محاسبات کوانتومی اضافی تأیید کردند که چنین مسیری ممکن است از نظر انرژی مطلوب باشد، به‌ویژه هنگامی که هیدروژن به ترکیبات میانی حاوی اکسیژن منتقل می‌شود.
این یافته، دیدگاه رایج درباره نحوه مشارکت هیدروژن در فرایندهای کاتالیزوری مشابه را زیر سؤال می‌برد. نویسندگان می‌گویند این سازوکار غیرمعمول دقیقاً به این دلیل شناسایی شد که مدل جدید تعداد بسیار بیشتری از تبدیل‌های احتمالی را پوشش می‌داد.
این کشف می‌تواند سرنخ‌هایی برای ساخت کاتالیزورهایی فراهم کند که با هیدروژن مولکولی کارآمدتر برهم‌کنش داشته باشند. از نظر نظری، چنین قابلیتی می‌تواند مسیرهای شیمیایی منتهی به تشکیل متانول را تقویت کند. با این حال، ابتدا باید مشخص شود که این سازوکار در مواد مشخص تا چه اندازه بر سرعت واقعی واکنش و بازده تولید محصول تأثیر می‌گذارد.
این روش در چه زمینه‌های دیگری می‌تواند کاربرد داشته باشد؟
این روش چند ابزار را با یکدیگر ترکیب می‌کند: محاسبات مکانیک کوانتومی، یادگیری ماشین، جست‌وجوی خودکار برای یافتن واکنش‌های احتمالی و مدل‌سازی سرعت واکنش‌ها. به کمک این ترکیب، دانشمندان می‌توانند سامانه‌های شیمیایی پیچیده را بدون آنکه ناچار باشند تک‌تک مراحل احتمالی را فقط با روش‌های بسیار پرهزینه محاسبه کنند، بررسی کنند.
این رویکرد علاوه بر تبدیل CO₂ به مواد مفید، بالقوه می‌تواند در دیگر فرایندهای مهم صنعتی نیز به کار گرفته شود؛ برای نمونه، در احیای نیتروژن و تجزیه آب.
این روش برای تبدیل کربن از اهمیت ویژه‌ای برخوردار است، زیرا کارایی کاتالیزور تنها به ترکیب آن بستگی ندارد و به مجموعه واکنش‌های متوالی روی سطح ماده نیز وابسته است. اگر مدل برخی از این مراحل را نادیده بگیرد، ممکن است دانشمندان به انتخاب اشتباه مواد امیدوارکننده یا شرایط تولید نامناسب برسند.
در عین حال، تبدیل دی‌اکسید کربن به سوخت به‌خودی‌خود تضمین نمی‌کند که انتشار گازهای گلخانه‌ای کاهش یابد. برای ارزیابی مزیت زیست‌محیطی این فرایند، باید منبع هیدروژن، انرژی موردنیاز فرایند و میزان CO₂ آزادشده هنگام استفاده بعدی از سوخت تولیدشده نیز در نظر گرفته شود.
مهم‌ترین دستاورد این مطالعه در مرحله کنونی، ساخت یک کاتالیزور صنعتی جدید نیست؛ بلکه نشان دادن این موضوع است که هوش مصنوعی می‌تواند مسیرهای شیمیایی‌ای را آشکار کند که مدل‌های ساده‌شده سنتی از آنها غافل می‌شوند. توصیف کامل‌تر واکنش‌ها می‌تواند به ابزاری مهم برای توسعه فناوری‌های کارآمد تولید سوخت و خوراک‌های شیمیایی از دی‌اکسید کربن تبدیل شود.