पचत हायड्रोजनसाठी चांगले उत्प्रेरक शोधण्यात AI नवी दिशा दाखवत आहे

चांगल्या हायड्रोजन उत्प्रेरकांसाठी AI वेगळी दिशा आजमावत आहे

Institute for Basic Science मधील एका संशोधन पथकाने असा कृत्रिम बुद्धिमत्ता फ्रेमवर्क तयार केल्याचे सांगितले आहे, जो सहसा वेगवेगळे अभ्यासले जाणारे पदार्थ कुटुंबांचे ज्ञान एकत्र करून उत्प्रेरक उमेदवार शोधतो. हे काम हरित हायड्रोजन निर्मितीतील प्रमुख अडथळ्यांपैकी एक, ऑक्सिजन इव्होल्यूशन रिअॅक्शन, म्हणजे पाणी इलेक्ट्रोलिसिसमधील ऊर्जाखाऊ अर्ध-प्रतिक्रिया, यावर लक्ष केंद्रित करते.

मूळ दावा असा नाही की AI फक्त एक विद्यमान screening workflow वेगवान करत आहे. त्याऐवजी, संशोधकांचा युक्तिवाद आहे की मॉडेल अशा उत्प्रेरक वर्गांमधील माहिती हस्तांतरित करू शकते ज्यांना सहसा स्वतंत्र domain मानले जाते. त्यांच्या अभ्यासात, सिस्टिमने carbon-supported single-atom catalysts आणि perovskite oxide catalysts मधून शिकून, त्या नमुन्यांचा वापर करून तिसऱ्या प्रकारातील, म्हणजे perovskite oxides वर supported single-atom catalysts, यांचे वर्तन भाकीत केले.

तो cross-family टप्पा मुख्य विकास आहे. उत्प्रेरक शोध बहुतेक वेळा एका पदार्थवर्गाच्या सीमांमध्येच अडकून राहिला आहे; oxide catalysts ची तुलना इतर oxides सोबत, आणि single-atom catalysts ची तुलना तत्सम रचनांशी केली जाते. IBS टीमचे म्हणणे आहे की अशी विभागणी कामगिरीतील वाढीचे संधी दडपून टाकू शकते, विशेषतः जेव्हा सर्वात प्रभावी रचना एकापेक्षा अधिक कुटुंबांच्या ताकदी एकत्र करणारा hybrid असेल.

ऑक्सिजन अभिक्रिया का महत्त्वाची आहे

पाणी इलेक्ट्रोलिसिसमध्ये, हायड्रोजन निर्मिती फक्त सिद्धांतात रेणू तोडण्यावर अवलंबून नसते. ऑक्सिजन इव्होल्यूशन रिअॅक्शन मंद असते आणि अतिरिक्त ऊर्जा मागते, ज्यामुळे थेट कार्बन उत्सर्जनाशिवाय हायड्रोजन तयार करण्याचा खर्च वाढतो. चांगले उत्प्रेरक overpotential कमी करून आणि कार्यक्षमता सुधारून हा दंड कमी करू शकतात.

संशोधकांच्या म्हणण्यानुसार, त्यांचे मॉडेल alkaline oxygen evolution reaction साठी catalytic activity भाकीत करण्यासाठी एकाच वेळी दोन प्रकारची रचनात्मक माहिती शिकेल अशा प्रकारे डिझाइन केले होते. surface atomic arrangement ला image information म्हणून हाताळले गेले, तर bulk oxide structure graph information म्हणून मांडले गेले. या दोन दृष्टीकोनांचे संयोजन करून, सिस्टिमने single-atom catalysts चे surface-design नियम perovskite oxides च्या रचनात्मक नियमांशी जोडण्याचा प्रयत्न केला.

अभ्यास सारांशानुसार, याचा परिणाम म्हणजे असे machine-learning framework जे थेट ज्या पदार्थ कुटुंबांवर प्रशिक्षण दिले गेले नाही, त्याबाहेरही आशादायक उमेदवार सुचवू शकते. कारण या क्षेत्राचा बराचसा भाग अजूनही परिचित वर्गांच्या आत शोधावर अवलंबून आहे, त्यांच्या पलीकडे नाही.

या दृष्टिकोनात काय बदलले

या पेपरचा सर्वात मजबूत सूचक अर्थ पद्धतशीर आहे. मॉडेल मजबूत असेल, तर उत्प्रेरक संशोधनाला अरुंद रासायनिक वंशावळीत बंदिस्त राहण्याची गरज नाही, हे सूचित होते. मानवी तज्ज्ञ आपले कौशल्य वेगवेगळ्या उत्प्रेरक परंपरांच्या भोवती संघटित करतात तेव्हा नजरेआड जाणाऱ्या संयोजनांची ओळख AI द्वारे होऊ शकते.

याचा अर्थ लगेच व्यापारी यश येईल, असे नाही. मूळ साहित्य एक संकुचित निष्कर्षच समर्थित करते: हा फ्रेमवर्क हरित हायड्रोजन प्रणालींसाठी उत्प्रेरक उमेदवार शोधण्याचा नवा मार्ग देतो. ही शोध रणनीतीतील बदल आहे; हायड्रोजन खर्चाची समस्या आधीच सुटली आहे, असा दावा नाही.

तरीही दिशा महत्त्वाची आहे. हायड्रोजन दीर्घकाळ एक परिचित तणाव अनुभवत आहे. स्वच्छ पद्धतीने तयार केल्यास ते औद्योगिक इंधन आणि साठवण माध्यम म्हणून आकर्षक आहे, पण इलेक्ट्रोलिसिसची कार्यक्षमता आणि खर्च अजूनही मोठे अडथळे आहेत. नवीन उत्प्रेरक रचनांसाठी hit rate सुधारू शकणारे कोणतेही साधन प्रयोगशाळेपलीकडे व्यापक परिणाम करू शकते, विशेषतः जर ते सिद्धांत, screening, आणि प्रयोगात्मक पडताळणी यांमधील वेळ कमी करत असेल.

पदार्थ विज्ञानासाठी व्यापक संकेत

हा अभ्यास प्रगत पदार्थ संशोधनातील व्यापक प्रवृत्तीशीही जुळतो, जिथे AI चा वापर केवळ ज्ञात उमेदवारांची क्रमवारी लावण्यासाठी नव्हे, तर विखुरलेल्या ज्ञानसंग्रहांना जोडण्यासाठीही वाढत आहे. या प्रकरणात, टीम AI ला एका वर्गातील जलद sorter म्हणून नव्हे, तर उत्प्रेरक सीमांमधील पूल म्हणून सादर करते.

हरित हायड्रोजनसाठी हा फरक महत्त्वाचा आहे. सर्वात कठीण प्रगतींपैकी काही अशा संयोजनांमधून येऊ शकतात जी रासायनिकदृष्ट्या शक्य आहेत, पण संस्थात्मकदृष्ट्या सहज नजरेआड होतात, कारण ती प्रस्थापित विशेष क्षेत्रांच्या मध्ये असतात. वेगवेगळ्या उत्प्रेरक कुटुंबांना हस्तांतरित होणाऱ्या ज्ञानाचे स्रोत मानून, IBS संशोधक असा युक्तिवाद करतात की पुढील उपयुक्त पदार्थ एखाद्या एकाच वर्गातील refinement मधून नव्हे, तर overlap मधून उदयास येऊ शकतो.

मूळ अहवालानुसार, हा पेपर Nature Materials मध्ये प्रकाशित झाला आहे, पण तो तात्काळ औद्योगिक झेपेचे आश्वासन देत नाही. तो देतो तो शोधाचा अधिक महत्त्वाकांक्षी मार्ग: वेगवेगळ्या उत्प्रेरक प्रणाली प्रत्येक कशात चांगल्या आहेत हे मॉडेलला शिकवा, आणि मग विचार करा की नवीन hybrid system काय साध्य करू शकते. कार्यक्षमतेतली छोटीशी सुधारणा देखील मोठे आर्थिक परिणाम देऊ शकते अशा क्षेत्रात, हा एक अर्थपूर्ण विकास आहे.

हा लेख Phys.org च्या अहवालावर आधारित आहे. मूळ लेख वाचा.