یکشنبه ۱۴ دی ۱۴۰۴ | ۱۴:۰۱
منبع: ستاد ویژه توسعه فناوری نانو
نقشه‌راه هوش مصنوعی برای طراحی کاتالیست‌های سبز با بازدهی ۹۰‌ درصدی

نقشه‌راه هوش مصنوعی برای طراحی کاتالیست‌های سبز با بازدهی ۹۰‌ درصدی

پژوهشگران با توسعه یک چارچوب نوین مبتنی بر یادگیری ماشین، موفق شده‌اند مسیر طراحی کاتالیست‌هایی را هموار کنند که پراکسید هیدروژن را مستقیم از آب و برق تولید می‌کنند؛ دستاوردی که می‌تواند یکی از پرمصرف‌ترین مواد شیمیایی جهان را با انرژی کمتر و رویکردی پایدارتر در دسترس قرار دهد.

به گزارش ایسنا، پراکسید هیدروژن یکی از پرکاربردترین مواد شیمیایی در زندگی روزمره و صنعت به شمار می‌رود؛ از ضدعفونی‌کننده‌ها و استریل‌سازی پزشکی گرفته تا پاک‌سازی‌های زیست‌محیطی و فرایندهای متنوع تولیدی. با این حال، بخش عمده پراکسید هیدروژن جهان همچنان از طریق فرایندهای صنعتی بزرگ‌مقیاس و انرژی‌بر تولید می‌شود؛ روش‌هایی که هزینه بالا و ردپای زیست‌محیطی قابل‌توجهی دارند. همین موضوع سبب شده است پژوهشگران در سراسر جهان به دنبال راهکارهای پاک‌تر و کم‌مصرف‌تر برای تولید این ماده حیاتی باشند.

در همین راستا، گروهی از پژوهشگران به یک دستاورد مهم علمی دست یافته‌اند و یک چارچوب محاسباتی جدید ارائه کرده‌اند که می‌تواند کاتالیست‌های کارآمد برای تولید پراکسید هیدروژن به‌طور مستقیم از آب و برق را شناسایی کند. این پژوهش که در نشریه معتبر شیمیAngewandte Chemie International Edition منتشر شده، بر واکنش الکتروشیمیایی اکسایش دوالکترونی آب تمرکز دارد؛ واکنشی که امکان تولید موضعی، پاک و بالقوه پایدار پراکسید هیدروژن را فراهم می‌کند.

طراحی کاتالیست برای این واکنش، چالشی پیچیده بوده است. به گفته هائو لی، نویسنده اصلی این پژوهش، تنوع بالای کاتالیست‌ها یکی از موانع اصلی به شمار می‌رود. کاتالیست‌ها می‌توانند در قالب آلیاژهای فلزی، اکسیدهای فلزی یا حتی مواد تک‌اتمی ظاهر شوند و هر یک ساختار اتمی متفاوتی دارند. همین تفاوت‌ها باعث شده است مقایسه عملکرد آن‌ها یا پیش‌بینی کارایی‌شان با یک روش واحد، دشوار و زمان‌بر باشد.

برای غلبه بر این مشکل، تیم تحقیقاتی روشی نوین برای توصیف جایگاه‌های فعال کاتالیستی در مقیاس اتمی ارائه کرده است. این روش که «تابع تقارن اتم‌محور وزن‌دهی‌شده» نام دارد، آرایش هندسی اتم‌ها و هویت شیمیایی آن‌ها را در قالبی یکپارچه ثبت می‌کند. پژوهشگران این توصیف‌گرها را با مدل‌های یادگیری ماشین و مدل‌سازی واکنش‌ها ترکیب کردند تا بتوانند عملکرد مواد مختلف را با دقت بالا پیش‌بینی کنند.

نتایج به‌دست‌آمده نشان داد که این چارچوب قادر است خواص کلیدی واکنش را در طیف گسترده‌ای از انواع کاتالیست‌ها پیش‌بینی کند. جالب آنکه این پیش‌بینی‌ها تطابق نزدیکی با محاسبات دقیق کوانتومی و داده‌های تجربی منتشرشده پیشین داشت؛ موضوعی که اعتبار و کارایی این روش را در میان مواد گوناگون تأیید می‌کند.

در گام بعد، پژوهشگران با استفاده از این مدل، غربالگری سریعی از کاتالیست‌های بالقوه انجام دادند و