Onderzoekers van University of Toronto Engineering en Carnegie Mellon University gebruiken kunstmatige intelligentie (AI) om de voortgang te versnellen bij het transformeren van koolstofafval in een commercieel waardevol product met een recordefficiëntie.

Ze maakten gebruik van AI om de zoektocht naar het belangrijkste materiaal in een nieuwe katalysator die koolstofdioxide (CO2) omzet in ethyleen te versnellen, een chemische voorloper van een breed scala aan producten, van plastic tot afwasmiddel.

De resulterende elektrokatalysator is de meest efficiënte in zijn klasse. Als u gebruik maakt van wind- of zonne-energie, het systeem biedt ook een efficiënte manier om elektriciteit uit deze hernieuwbare maar intermitterende bronnen op te slaan.

"Schone elektriciteit gebruiken om CO2 om te zetten in ethyleen, die een wereldwijde markt van $60 miljard heeft, kan de economie van zowel koolstofafvang als opslag van schone energie verbeteren, " zegt professor Ted Sargent, een van de senior auteurs van een nieuw artikel dat vandaag is gepubliceerd in Natuur .

Sargent en zijn team hebben al een aantal toonaangevende katalysatoren ontwikkeld om de energiekosten te verlagen van de reactie die CO2 omzet in ethyleen en andere op koolstof gebaseerde moleculen. Maar misschien zijn er nog betere, en met miljoenen mogelijke materiaalcombinaties om uit te kiezen, ze allemaal testen zou onaanvaardbaar tijdrovend zijn.

Het team toonde aan dat machine learning het zoeken kan versnellen. Met behulp van computermodellen en theoretische gegevens, algoritmen kunnen de slechtste opties weggooien en de weg wijzen naar meer veelbelovende kandidaten.

Het gebruik van AI om te zoeken naar materialen voor schone energie werd verder ontwikkeld tijdens een workshop in 2017, georganiseerd door Sargent in samenwerking met het Canadian Institute for Advanced Research (CIFAR). Het idee werd verder uitgewerkt in een Natuur commentaar artikel later dat jaar gepubliceerd.

Professor Zachary Ulissi van de Carnegie Mellon University was een van de uitgenodigde onderzoekers bij de oorspronkelijke workshop. Zijn groep is gespecialiseerd in computermodellering van nanomaterialen.

"Met andere chemische reacties, we hebben grote en gevestigde datasets met een overzicht van de potentiële katalysatormaterialen en hun eigenschappen, ' zegt Ulisse.

"Met CO2-naar-ethyleen conversie, dat hebben we niet, dus we kunnen geen brute kracht gebruiken om alles te modelleren. Onze groep heeft veel tijd besteed aan het bedenken van creatieve manieren om de meest interessante materialen te vinden."

De algoritmen die door Ulissi en zijn team zijn gemaakt, gebruiken een combinatie van machine learning-modellen en actieve leerstrategieën om in grote lijnen te voorspellen wat voor soort producten een bepaalde katalysator waarschijnlijk zal produceren, zelfs zonder gedetailleerde modellering van het materiaal zelf.

Ze pasten deze algoritmen voor CO2-reductie toe om meer dan 240 verschillende materialen te screenen, het ontdekken van 4 veelbelovende kandidaten waarvan werd voorspeld dat ze gewenste eigenschappen zouden hebben over een zeer breed scala aan samenstellingen en oppervlaktestructuren.

In de nieuwe krant beschrijven de co-auteurs hun best presterende katalysatormateriaal, een legering van koper en aluminium. Nadat de twee metalen bij hoge temperatuur waren gebonden, een deel van het aluminium werd vervolgens weggeëtst, wat resulteert in een poreuze structuur op nanoschaal die Sargent beschrijft als "pluizig".

De nieuwe katalysator werd vervolgens getest in een apparaat dat een elektrolyseur wordt genoemd, waar de "faradaïsche efficiëntie" - het aandeel van elektrische stroom dat nodig is om het gewenste product te maken - werd gemeten op 80%, een nieuw record voor deze reactie.

Sargent zegt dat de energiekosten nog verder moeten worden verlaagd als het systeem ethyleen wil produceren dat qua kosten concurrerend is met dat van fossiele brandstoffen. Toekomstig onderzoek zal zich richten op het verminderen van de totale spanning die nodig is voor de reactie, evenals een verdere vermindering van het aandeel bijproducten, die duur zijn om te scheiden.

De nieuwe katalysator is de eerste voor de conversie van CO2 naar ethyleen die mede is ontworpen met behulp van AI. Het is ook de eerste experimentele demonstratie van de actieve leerbenaderingen die Ulissi heeft ontwikkeld. De sterke prestatie bevestigt de effectiviteit van deze strategie en belooft veel goeds voor toekomstige samenwerkingen van deze aard.

"Er zijn veel manieren waarop koper en aluminium zichzelf kunnen rangschikken, maar wat de berekeningen laten zien, is dat bijna allemaal op de een of andere manier werd voorspeld dat ze heilzaam zouden zijn, " zegt Sargent. "Dus in plaats van verschillende materialen te proberen toen onze eerste experimenten niet werkten, wij hielden vol, omdat we wisten dat er iets was dat de moeite waard was om in te investeren."