Neuer computergestützter Ansatz zur Vorhersage chemischer Reaktionen bei hohen Temperaturen
Methode kombiniert Quantenmechanik mit maschinellem Lernen, um Oxidreaktionen bei hohen Temperaturen genau vorherzusagen, wenn keine experimentellen Daten verfügbar sind
Die Gewinnung von Metallen aus Oxiden bei hohen Temperaturen ist nicht nur für die Herstellung von Metallen wie Stahl, sondern auch für das Recycling unerlässlich. Da die derzeitigen Extraktionsverfahren sehr kohlenstoffintensiv sind und große Mengen an Treibhausgasen freisetzen, haben Forscher neue Ansätze zur Entwicklung "grünerer" Verfahren erforscht. Diese Arbeit ist im Labor besonders schwierig, da sie kostspielige Reaktoren erfordert. Der Bau und die Durchführung von Computersimulationen wären eine Alternative, aber derzeit gibt es keine Berechnungsmethode, mit der Oxidreaktionen bei hohen Temperaturen genau vorhergesagt werden können, wenn keine experimentellen Daten verfügbar sind.
Schematische Darstellung des Brückenschlags zwischen der kalten Quantenwelt und der Hochtemperatur-Metallgewinnung mit maschinellem Lernen.
Rodrigo Ortiz de la Morena and Jose A. Garrido Torres/Columbia Engineering
Ein Team von Columbia Engineering berichtet, dass es eine neue Rechentechnik entwickelt hat, die durch die Kombination von Quantenmechanik und maschinellem Lernen die Reduktionstemperatur von Metalloxiden zu ihren Grundmetallen genau vorhersagen kann. Ihr Ansatz ist rechnerisch genauso effizient wie herkömmliche Berechnungen bei Nulltemperatur und in ihren Tests genauer als rechenintensive Simulationen von Temperatureffekten mit Methoden der Quantenchemie. Die Studie unter der Leitung von Alexander Urban, Assistenzprofessor für Chemieingenieurwesen, wird in Nature Communications ASAP veröffentlicht.
"Die Dekarbonisierung der chemischen Industrie ist von entscheidender Bedeutung, wenn wir den Übergang zu einer nachhaltigeren Zukunft schaffen wollen, aber die Entwicklung von Alternativen für etablierte industrielle Prozesse ist sehr kostenintensiv und zeitaufwändig", so Urban. "Ein rechnerisches Prozessdesign von unten nach oben, das keine experimentellen Vorarbeiten erfordert, wäre eine attraktive Alternative, die bisher jedoch noch nicht realisiert wurde. Die neue Studie ist unseres Wissens nach der erste Versuch eines hybriden Ansatzes, der rechnerische Berechnungen mit künstlicher Intelligenz kombiniert, für diese Anwendung. Und es ist der erste Beweis dafür, dass auf Quantenmechanik basierende Berechnungen für das Design von Hochtemperaturprozessen genutzt werden können."
Die Forscher wussten, dass auf Quantenmechanik basierende Berechnungen bei sehr niedrigen Temperaturen die Energie, die chemische Reaktionen benötigen oder freisetzen, genau vorhersagen können. Sie ergänzten diese Null-Temperatur-Theorie durch ein maschinelles Lernmodell, das die Temperaturabhängigkeit aus öffentlich zugänglichen Hochtemperaturmessungen lernte. Ihr Ansatz, der sich auf die Gewinnung von Metall bei hohen Temperaturen konzentrierte, wurde so konzipiert, dass er auch die Veränderung der "freien Energie" mit der Temperatur vorhersagte, unabhängig davon, ob diese hoch oder niedrig war.
"Die freie Energie ist eine Schlüsselgröße der Thermodynamik und andere temperaturabhängige Größen können im Prinzip von ihr abgeleitet werden", so José A. Garrido Torres, Erstautor der Studie, der als Postdoktorand in Urbans Labor tätig war und jetzt als Forscher in Princeton arbeitet. "Wir gehen davon aus, dass unser Ansatz auch nützlich sein wird, um zum Beispiel Schmelztemperaturen und Löslichkeiten für die Entwicklung sauberer elektrolytischer Metallgewinnungsprozesse vorherzusagen, die mit erneuerbarer elektrischer Energie betrieben werden.
"Die Zukunft ist ein Stückchen näher gerückt", sagte Nick Birbilis, stellvertretender Dekan des Australian National University College of Engineering and Computer Science und Experte für Materialdesign mit Schwerpunkt auf Korrosionsbeständigkeit, der nicht an der Studie beteiligt war. "Ein Großteil der menschlichen Anstrengungen und des versunkenen Kapitals des letzten Jahrhunderts floss in die Entwicklung von Materialien, die wir täglich nutzen - und auf die wir uns für unsere Energieversorgung, unseren Flug und unsere Unterhaltung verlassen. Die Entwicklung von Werkstoffen ist langsam und kostspielig, weshalb maschinelles Lernen für die künftige Werkstoffentwicklung von entscheidender Bedeutung ist. Damit maschinelles Lernen und KI ihr Potenzial entfalten können, müssen die Modelle mechanistisch relevant und interpretierbar sein. Genau das zeigt die Arbeit von Urban und Garrido Torres. Darüber hinaus verfolgt die Arbeit zum ersten Mal einen systemübergreifenden Ansatz, indem sie atomistische Simulationen auf der einen Seite und technische Anwendungen auf der anderen Seite über fortschrittliche Algorithmen miteinander verknüpft."
Das Team arbeitet nun an der Ausweitung des Ansatzes auf andere temperaturabhängige Materialeigenschaften wie Löslichkeit, Leitfähigkeit und Schmelzen, die für die Entwicklung elektrolytischer Metallgewinnungsverfahren benötigt werden, die kohlenstofffrei sind und mit sauberer elektrischer Energie betrieben werden.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
