Generatieve AI-technieken, machinaal leren en simulaties bieden onderzoekers nieuwe mogelijkheden om milieuvriendelijke metaal-organische raamwerkmaterialen te identificeren.

Koolstofafvang is een cruciale technologie bij het terugdringen van de uitstoot van broeikasgassen door elektriciteitscentrales en andere industriële faciliteiten. Een geschikt materiaal voor effectieve koolstofafvang tegen lage kosten moet echter nog worden gevonden. Eén kandidaat zijn metaal-organische raamwerken of MOF's. Dit poreuze materiaal kan selectief kooldioxide absorberen.

MOF's hebben drie soorten bouwstenen in hun moleculen:anorganische knooppunten, organische knooppunten en organische linkers. Deze kunnen in verschillende relatieve posities en configuraties worden gerangschikt. Als gevolg hiervan zijn er talloze potentiële MOF-configuraties die wetenschappers kunnen ontwerpen en testen.

Om het ontdekkingsproces te versnellen, volgen onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) verschillende trajecten. Eén daarvan is generatieve kunstmatige intelligentie (AI) om voorheen onbekende bouwsteenkandidaten te bedenken. Een andere is een vorm van AI die machine learning wordt genoemd. Een derde traject is een high-throughput screening van kandidaat-materialen. De laatste zijn op theorie gebaseerde simulaties met behulp van een methode die moleculaire dynamica wordt genoemd.

Bij dit project werken onderzoekers van het Beckman Institute for Advanced Science and Technology aan de Universiteit van Illinois Urbana-Champaign (UIUC), de Universiteit van Illinois in Chicago en de Universiteit van Chicago samen met Argonne.

Het ontwerpen van MOF's met optimale koolstofselectiviteit en -capaciteit is een aanzienlijke uitdaging. Tot nu toe was het MOF-ontwerp gebaseerd op nauwgezet experimenteel en computationeel werk. Dit kan duur en tijdrovend zijn.

Door de MOF-ontwerpruimte te verkennen met generatieve AI kon het team snel, bouwsteen voor bouwsteen, binnen 30 minuten meer dan 120.000 nieuwe MOF-kandidaten samenstellen. Ze voerden deze berekeningen uit op de Polaris-supercomputer van de Argonne Leadership Computing Facility (ALCF).

Vervolgens wendden ze zich tot de Delta-supercomputer van UIUC om tijdrovende moleculaire dynamica-simulaties uit te voeren met alleen de meest veelbelovende kandidaten. Het doel is om ze te screenen op stabiliteit, chemische eigenschappen en capaciteit voor koolstofafvang. Delta is een gezamenlijke inspanning van Illinois en zijn National Center for Supercomputing Applications.

De aanpak van het team zou wetenschappers uiteindelijk in staat kunnen stellen alleen de allerbeste MOF-kandidaten te synthetiseren. "Mensen denken al minstens twintig jaar na over MOF's", zegt computerwetenschapper Eliu Huerta uit Argonne, die het onderzoek hielp leiden. "De traditionele methoden omvatten doorgaans experimentele synthese en computationele modellering met simulaties van moleculaire dynamica. Maar proberen het enorme MOF-landschap op deze manier in kaart te brengen is gewoon onpraktisch."

Binnenkort zal het team nog geavanceerdere computers kunnen gebruiken. Met de kracht van de Aurora exascale supercomputer van de ALCF konden wetenschappers in één keer miljarden MOF-kandidaten onderzoeken, waaronder vele die nog nooit eerder zijn voorgesteld.

Bovendien haalt het team chemische inspiratie uit eerder werk op het gebied van moleculair ontwerp om nieuwe manieren te ontdekken waarop de verschillende bouwstenen van een MOF in elkaar kunnen passen.

"We wilden nieuwe smaken toevoegen aan de MOF's die we aan het ontwerpen waren", zei Huerta. "We hadden nieuwe ingrediënten nodig voor het AI-recept." Het algoritme van het team kan verbeteringen aanbrengen in MOF's voor koolstofafvang door de chemie te leren van biofysica, fysiologie en fysische chemie experimentele datasets die nog niet eerder in aanmerking zijn genomen voor MOF-ontwerp.

Voor Huerta houdt het verder kijken dan traditionele benaderingen de belofte in van een transformerend MOF-materiaal, een materiaal dat goed zou kunnen zijn in het vastleggen van koolstof, kosteneffectief en gemakkelijk te produceren is.

"We verbinden nu generatieve AI, high-throughput screening, moleculaire dynamica en Monte Carlo-simulaties tot een zelfstandige workflow", aldus Huerta. "Deze workflow omvat online leren waarbij gebruik wordt gemaakt van experimenteel en computationeel onderzoek uit het verleden om de precisie van AI te versnellen en te verbeteren om nieuwe MOF's te creëren."

De atoom-voor-atoom benadering van MOF-ontwerp, mogelijk gemaakt door AI, zal wetenschappers in staat stellen om wat Argonne senior wetenschapper en directeur van de Data Science and Learning-divisie Ian Foster een "bredere lens" noemde op dit soort poreuze structuren te hebben.

"Er wordt gewerkt zodat we voor de nieuwe AI-geassembleerde MOF's die worden voorspeld, inzichten van autonome laboratoria integreren om experimenteel hun vermogen om te worden gesynthetiseerd en hun vermogen om koolstof vast te leggen experimenteel te valideren", aldus Foster. "Nu het model is verfijnd, zullen onze voorspellingen alleen maar beter en beter worden."

Een paper gebaseerd op de studie is geschreven door Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster en Emad Tajkhorshid. Het verscheen in het online nummer van Communications Chemistry .

"De studie toont het grote potentieel aan van het gebruik van op AI gebaseerde benaderingen in de moleculaire wetenschappen", zegt Tajkhorshid van UIUC. "We hopen de reikwijdte van de aanpak van problemen zoals biomoleculaire simulaties en het ontwerpen van medicijnen uit te breiden."

"Dit werk is een bewijs van de samenwerking tussen afgestudeerde studenten en beginnende wetenschappers van verschillende instellingen die samenkwamen om aan dit belangrijke AI for Science-project te werken", aldus Huerta. "De toekomst zal rooskleurig blijven als we blijven inspireren en geïnspireerd worden door getalenteerde jonge wetenschappers."

Meer informatie: Hyun Park et al, Een generatief raamwerk voor kunstmatige intelligentie gebaseerd op een moleculair diffusiemodel voor het ontwerp van metaal-organische raamwerken voor koolstofafvang, Communicatiechemie (2024). DOI:10.1038/s42004-023-01090-2

Geleverd door Argonne National Laboratory