పచ్చ హైడ్రోజన్ కోసం మెరుగైన క్యాటలిస్టులను AI కొత్త దారిలో వెతుకుతోంది

మెరుగైన హైడ్రోజన్ క్యాటలిస్టుల కోసం AI ఒక భిన్నమైన మార్గాన్ని ప్రయత్నిస్తోంది

ఇన్‌స్టిట్యూట్ ఫర్ బేసిక్ సైన్స్‌లోని ఒక పరిశోధనా బృందం, సాధారణంగా వేరువేరుగా అధ్యయనం చేసే పదార్థ కుటుంబాల జ్ఞానాన్ని కలిపి క్యాటలిస్ట్ అభ్యర్థులను వెతకడానికి రూపొందించిన ఒక కృత్రిమ మేధా ఫ్రేమ్‌వర్క్‌ను నిర్మించినట్లు చెబుతోంది. ఈ పని పచ్చ హైడ్రోజన్ ఉత్పత్తిలోని ప్రధాన అడ్డంకుల్లో ఒకటైన ఆక్సిజన్ ఎవల్యూషన్ రియాక్షన్‌ను, అంటే నీటి ఎలక్ట్రోలిసిస్‌లో శక్తి ఎక్కువగా అవసరమయ్యే అర్ధ ప్రతిచర్యను లక్ష్యంగా తీసుకుంది.

మూల వాదన ఏమిటంటే, AI కేవలం ఒక ఉన్నతమైన స్క్రీనింగ్ వర్క్‌ఫ్లోను వేగవంతం చేయడం లేదు. బదులుగా, సాధారణంగా వేరే డొమైన్లుగా పరిగణించే క్యాటలిస్ట్ వర్గాల మధ్య మోడల్ సమాచారాన్ని బదిలీ చేయగలదని పరిశోధకులు అంటున్నారు. తమ అధ్యయనంలో, ఈ సిస్టం కార్బన్-సపోర్టెడ్ single-atom catalysts మరియు perovskite oxide catalysts నుండి నేర్చుకుని, ఆ నమూనాలను ఉపయోగించి మూడవ వర్గమైన perovskite oxides పై supported single-atom catalysts ప్రవర్తనను అంచనా వేసింది.

ఆ cross-family అడుగే కీలక అభివృద్ధి. క్యాటలిస్ట్ అన్వేషణ చాలాసార్లు ఒకే పదార్థ వర్గం సరిహద్దుల్లోనే పరిమితమై ఉంది; oxide catalysts ను ఇతర oxides‌తో, single-atom catalysts ను సమాన నిర్మాణాలతోనే పోల్చారు. IBS బృందం ప్రకారం, ఈ విభజన పనితీరు మెరుగుదలలను పట్టించుకోకుండా వదిలేయవచ్చు, ముఖ్యంగా అత్యంత ప్రభావవంతమైన డిజైన్ ఒకటి కంటే ఎక్కువ కుటుంబాల బలాలను కలిపే హైబ్రిడ్ అయినప్పుడు.

ఆక్సిజన్ ప్రతిచర్య ఎందుకు ముఖ్యం

నీటి ఎలక్ట్రోలిసిస్‌లో, హైడ్రోజన్ ఉత్పత్తి సిద్ధాంతంలో అణువులను విడగొట్టడంపైనే ఆధారపడదు. ఆక్సిజన్ ఎవల్యూషన్ రియాక్షన్ నెమ్మదిగా జరుగుతుంది, అదనపు శక్తి అవసరం చేస్తుంది; దీంతో ప్రత్యక్ష కార్బన్ ఉద్గారాలు లేకుండా హైడ్రోజన్ తయారీ ఖర్చు పెరుగుతుంది. మెరుగైన క్యాటలిస్టులు overpotential‌ను తగ్గించి సామర్థ్యాన్ని మెరుగుపరచడం ద్వారా ఆ భారం తగ్గించవచ్చు.

తమ మోడల్ అల్కలైన్ ఆక్సిజన్ ఎవల్యూషన్ రియాక్షన్ కోసం catalytic activityని అంచనా వేయడానికి, ఒకేసారి రెండు రకాల నిర్మాణ సమాచారాన్ని నేర్చుకునేలా రూపొందించబడిందని పరిశోధకులు చెబుతున్నారు. ఉపరితల అణు అమరికను చిత్రం సమాచారంగా నిర్వహించారు, కాగా bulk oxide నిర్మాణాన్ని graph సమాచారంగా ప్రాతినిధ్యం వహించారు. ఈ రెండు దృక్కోణాలను కలిపి, single-atom catalysts యొక్క surface-design నియమాలను perovskite oxides యొక్క నిర్మాణ నియమాలతో అనుసంధానించడానికి సిస్టం ప్రయత్నించింది.

అధ్యయన సారాంశం ప్రకారం, దీని ఫలితంగా ఏర్పడిన machine-learning ఫ్రేమ్‌వర్క్, నేరుగా శిక్షణ పొందిన పదార్థ కుటుంబాల వెలుపల కూడా ఆశాజనక అభ్యర్థులను సూచించగలదు. ఎందుకంటే ఈ రంగంలో చాలా భాగం ఇంకా తెలిసిన వర్గాల లోపలే అన్వేషణపై ఆధారపడుతోంది; వాటి మధ్య కాదు.

ఈ విధానంలో ఏమి మారింది

ఈ పేపర్‌లోని బలమైన సూచన పద్ధతిగతమైనది. మోడల్ బలంగా ఉంటే, క్యాటలిస్ట్ పరిశోధనను సంకుచిత రసాయన వంశావళులలో బందీ చేయాల్సిన అవసరం లేదని సూచిస్తుంది. మానవ నిపుణులు తమ నైపుణ్యాన్ని వేర్వేరు క్యాటలిస్ట్ సంప్రదాయాల చుట్టూ ఏర్పాటు చేసుకున్నప్పుడు, దాటవేయగల కలయికలను AI ద్వారా గుర్తించవచ్చు.

దీని అర్థం వెంటనే వాణిజ్య విజయం వస్తుంది అన్నది కాదు. మూల పదార్థం ఒక సంకుచిత ముగింపునే మద్దతిస్తుంది: ఈ ఫ్రేమ్‌వర్క్ పచ్చ హైడ్రోజన్ వ్యవస్థల కోసం క్యాటలిస్ట్ అభ్యర్థులను కనుగొనడానికి కొత్త మార్గాన్ని అందిస్తుంది. ఇది శోధన వ్యూహంలో మార్పు మాత్రమే; హైడ్రోజన్ ఖర్చు సమస్య ఇప్పటికే పరిష్కరించబడిందని కాదు.

అయినా, దిశ గమనించదగ్గదే. హైడ్రోజన్‌కు దీర్ఘకాలంగా ఒక సాధారణ ఉద్రిక్తత ఉంది. శుభ్రంగా ఉత్పత్తి చేస్తే ఇది పారిశ్రామిక ఇంధనంగా మరియు నిల్వ మాధ్యమంగా ఆకర్షణీయంగా ఉంటుంది, కానీ ఎలక్ట్రోలిసిస్ సామర్థ్యం మరియు ఖర్చు ఇంకా పెద్ద అడ్డంకులుగా ఉన్నాయి. కొత్త క్యాటలిస్ట్ డిజైన్లకు hit rate‌ను మెరుగుపరచే ఏ సాధనం అయినా, ముఖ్యంగా సిద్ధాంతం, స్క్రీనింగ్, మరియు ప్రయోగాత్మక ధృవీకరణ మధ్య గడిచే సమయాన్ని తగ్గిస్తే, ప్రయోగశాలకన్నా చాలా దూరం ప్రభావం చూపగలదు.

పదార్థ శాస్త్రానికి విస్తృత సంకేతం

ఈ అధ్యయనం, AIని కేవలం తెలిసిన అభ్యర్థులను ర్యాంక్ చేయడానికి కాకుండా, విభజిత జ్ఞాన భాండాగారాలను అనుసంధానించడానికి ఎక్కువగా ఉపయోగిస్తున్న అధునాతన పదార్థాల పరిశోధనలోని విస్తృత ధోరణితో కూడా సరిపోతుంది. ఈ సందర్భంలో, బృందం AIని ఒకే వర్గంలో వేగవంతమైన sorter‌గా కాకుండా, క్యాటలిస్ట్ సరిహద్దుల మధ్య వంతెనగా చూపిస్తోంది.

పచ్చ హైడ్రోజన్‌కు ఈ తేడా కీలకం. అత్యంత కఠినమైన లాభాలలో కొన్నివి రసాయనపరంగా సాధ్యమైనప్పటికీ, సంస్థాగతంగా సులభంగా మిస్సయ్యే కలయికల నుండి రావచ్చు, ఎందుకంటే అవి స్థిరపడిన ప్రత్యేకతల మధ్యలో ఉంటాయి. వేర్వేరు క్యాటలిస్ట్ కుటుంబాలను బదిలీ చేయగల జ్ఞాన వనరులుగా చూసి, IBS పరిశోధకులు తదుపరి ఉపయోగకరమైన పదార్థం ఒకే వర్గం లోపల refinement నుండి కాకుండా overlap నుండి ఉద్భవించవచ్చని వాదిస్తున్నారు.

ఈ పేపర్ Nature Materialsలో ప్రచురించబడిందని మూల నివేదిక చెబుతోంది, కానీ ఇది తక్షణ పారిశ్రామిక దూకుడును వాగ్దానం చేయదు. ఇది ఇవ్వేది మరింత ఆశయపూరితమైన అన్వేషణ మార్గం: వేర్వేరు క్యాటలిస్ట్ వ్యవస్థలు ప్రతి ఒక్కటీ ఏదిలో మంచివో మోడల్‌కు నేర్పండి, తర్వాత కొత్త హైబ్రిడ్ వ్యవస్థ ఏమి సాధించగలదో అడగండి. సమర్థతలో చిన్న మెరుగుదలలు కూడా పెద్ద ఆర్థిక ప్రభావాలు కలిగించే రంగంలో, ఇది అర్థవంతమైన అభివృద్ధి.

ఈ వ్యాసం Phys.org నివేదికపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.