این روش مکانیک کوانتومی را با یادگیری ماشین ترکیب می‌کند تا واکنش‌های اکسیدی را در دماهای بالا زمانی که داده‌های تجربی در دسترس نیست، به دقت پیش‌بینی کند. می تواند برای طراحی فرآیندهای خالص کربن خنثی برای تولید فولاد و بازیافت فلز استفاده شود.
استخراج فلزات از اکسیدها در دماهای بالا نه تنها برای تولید فلزاتی مانند فولاد بلکه برای بازیافت نیز ضروری است. از آنجایی که فرآیندهای استخراج فعلی بسیار کربن فشرده هستند و مقادیر زیادی گازهای گلخانه‌ای منتشر می‌کنند، محققان در حال بررسی رویکردهای جدید برای توسعه فرآیندهای “سبزتر” هستند. انجام این کار به خصوص در آزمایشگاه چالش برانگیز بوده است زیرا به راکتورهای پرهزینه نیاز دارد. ساخت و اجرای شبیه‌سازی‌های رایانه‌ای می‌تواند یک جایگزین باشد، اما در حال حاضر هیچ روش محاسباتی وجود ندارد که بتواند واکنش‌های اکسید را در دماهای بالا زمانی که داده‌های تجربی در دسترس نیست، پیش‌بینی کند.
یک تیم مهندسی کلمبیا گزارش می دهد که آنها یک روش محاسباتی جدید ایجاد کرده اند که از طریق ترکیب مکانیک کوانتومی و یادگیری ماشینی، می تواند به طور دقیق دمای کاهش اکسیدهای فلز را به فلزات پایه آنها پیش بینی کند. رویکرد آنها از نظر محاسباتی به اندازه محاسبات معمولی در دمای صفر کارآمد است و در آزمایش‌هایشان، دقیق‌تر از شبیه‌سازی‌های محاسباتی تأثیرات دما با استفاده از روش‌های شیمی کوانتومی است. این مطالعه به رهبری الکساندر اوربان، استادیار مهندسی شیمی، در 1 دسامبر 2021 توسط Nature Communications منتشر شد.
اوربان گفت: “کربن زدایی از صنعت شیمیایی برای انتقال به آینده ای پایدارتر بسیار مهم است، اما توسعه جایگزین برای فرآیندهای صنعتی مستقر بسیار هزینه بر و زمان بر است.” “طراحی فرآیند محاسباتی پایین به بالا که نیازی به ورودی تجربی اولیه ندارد، یک جایگزین جذاب خواهد بود اما تاکنون محقق نشده است. این مطالعه جدید، طبق دانش ما، اولین باری است که یک رویکرد ترکیبی، ترکیب محاسبات محاسباتی با هوش مصنوعی، برای این کاربرد تلاش شده است. و این اولین نمایشی است که محاسبات مبتنی بر مکانیک کوانتومی را می توان برای طراحی فرآیندهای با دمای بالا استفاده کرد.
محققان می‌دانستند که در دماهای بسیار پایین، محاسبات مبتنی بر مکانیک کوانتومی می‌توانند انرژی مورد نیاز یا آزاد شدن واکنش‌های شیمیایی را به دقت پیش‌بینی کنند. آنها این نظریه دمای صفر را با یک مدل یادگیری ماشینی تقویت کردند که وابستگی دما را از اندازه‌گیری‌های درجه حرارت بالا در دسترس عموم آموخت. آنها رویکرد خود را که بر استخراج فلز در دماهای بالا متمرکز بود، طراحی کردند تا همچنین تغییر “انرژی آزاد” را با دما، چه زیاد یا پایین، پیش بینی کنند.
خوزه آ. گاریدو تورس، اولین نویسنده این مقاله که یک محقق فوق دکترا در آزمایشگاه Urban است و اکنون در حال تحقیق است، گفت: «انرژی آزاد یک کمیت کلیدی از ترمودینامیک است و دیگر کمیت‌های وابسته به دما در اصل می‌توانند از آن استخراج شوند. دانشمند در پرینستون بنابراین ما انتظار داریم که رویکرد ما برای پیش‌بینی، به عنوان مثال، دماهای ذوب و حلالیت‌ها برای طراحی فرآیندهای استخراج فلزات الکترولیتی تمیز که با انرژی الکتریکی تجدیدپذیر تغذیه می‌شوند، مفید باشد.»
نیک بیربیلیس، معاون دانشکده مهندسی و علوم کامپیوتر دانشگاه ملی استرالیا و متخصص طراحی مواد با تمرکز بر دوام خوردگی که در این مطالعه شرکت نداشت، گفت: «آینده کمی نزدیک‌تر شد. بسیاری از تلاش‌های انسانی و سرمایه‌های غرق‌شده در قرن گذشته در توسعه موادی بوده است که ما هر روز از آنها استفاده می‌کنیم – و برای قدرت، پرواز و سرگرمی خود به آنها تکیه می‌کنیم. توسعه مواد کند و پرهزینه است، که یادگیری ماشین را به یک توسعه حیاتی برای طراحی مواد آینده تبدیل می کند. برای اینکه یادگیری ماشین و هوش مصنوعی پتانسیل خود را برآورده کنند، مدل ها باید از نظر مکانیکی مرتبط و قابل تفسیر باشند. این دقیقاً همان چیزی است که کار اوربان و گاریدو تورس نشان می دهد. علاوه بر این، این کار برای یکی از اولین بارها یک رویکرد کل سیستم را دنبال می‌کند و شبیه‌سازی‌های اتمی را در یک طرف برنامه‌های مهندسی از طریق الگوریتم‌های پیشرفته به هم مرتبط می‌کند.
این تیم اکنون در حال کار بر روی گسترش رویکرد به سایر خواص مواد وابسته به دما، مانند حلالیت، رسانایی و ذوب، است که برای طراحی فرآیندهای استخراج فلزات الکترولیتی که بدون کربن هستند و با انرژی الکتریکی پاک تغذیه می‌شوند، مورد نیاز است.
مرجع: «افزایش مکانیک کوانتومی صفر کلوین با یادگیری ماشین برای پیش‌بینی واکنش‌های شیمیایی در دماهای بالا» توسط خوزه آنتونیو گاریدو تورس، واهه قراخانیان، نونگنوچ آرتریت، توبیاس هافمن ایگولم و الکساندر اوربان، 1 دسامبر 2021، Nature Communications.
