Forskare från U of T Engineering och Carnegie Mellon University använder elektrolysatorer som denna för att omvandla avfalls-CO2 till kommersiellt värdefulla kemikalier. Deras senaste katalysator, designad delvis genom användning av AI, är den mest effektiva i sin klass. Kredit:Daria Perevezentsev / University of Toronto Engineering
Forskare vid University of Toronto Engineering och Carnegie Mellon University använder artificiell intelligens (AI) för att påskynda framstegen med att omvandla avfallskol till en kommersiellt värdefull produkt med rekordeffektivitet.
De utnyttjade AI för att påskynda sökandet efter nyckelmaterialet i en ny katalysator som omvandlar koldioxid (CO2) till eten - en kemisk prekursor till ett brett utbud av produkter, från plast till diskmedel.
Den resulterande elektrokatalysatorn är den mest effektiva i sin klass. Om du kör med vind- eller solenergi, systemet ger också ett effektivt sätt att lagra el från dessa förnybara men intermittenta källor.
"Att använda ren el för att omvandla CO2 till eten, som har en global marknad på 60 miljarder dollar, kan förbättra ekonomin för både avskiljning av koldioxid och lagring av ren energi, " säger professor Ted Sargent, en av seniorförfattarna på en ny tidning som publicerades idag i Natur .
Sargent och hans team har redan utvecklat ett antal världsledande katalysatorer för att minska energikostnaden för reaktionen som omvandlar CO2 till eten och andra kolbaserade molekyler. Men ännu bättre kan finnas där ute, och med miljontals potentiella materialkombinationer att välja mellan, att testa dem alla skulle vara oacceptabelt tidskrävande.
Teamet visade att maskininlärning kan påskynda sökningen. Använda datormodeller och teoretiska data, Algoritmer kan kasta ut de sämsta alternativen och visa vägen mot mer lovande kandidater.
Att använda AI för att söka efter rena energimaterial avancerade vid en workshop 2017 som anordnades av Sargent i samarbete med Canadian Institute for Advanced Research (CIFAR). Idén vidareutvecklades i en Natur kommentarsartikel publicerad senare samma år.
Professor Zachary Ulissi från Carnegie Mellon University var en av de inbjudna forskarna vid den ursprungliga workshopen. Hans grupp är specialiserad på datormodellering av nanomaterial.
Den nya katalysatorn är en legering av koppar och aluminium med en unik porös struktur i nanoskala. Kredit:Alexander Ip / University of Toronto Engineering
"Med andra kemiska reaktioner, vi har stora och väletablerade datauppsättningar som listar potentiella katalysatormaterial och deras egenskaper, säger Ulissi.
"Med CO2-till-eten-omvandling, det har vi inte, så vi kan inte använda brute force för att modellera allt. Vår grupp har ägnat mycket tid åt att tänka på kreativa sätt att hitta de mest intressanta materialen."
Algoritmerna skapade av Ulissi och hans team använder en kombination av maskininlärningsmodeller och aktiva inlärningsstrategier för att i stort sett förutsäga vilka typer av produkter en given katalysator sannolikt kommer att producera, även utan detaljerad modellering av själva materialet.
De tillämpade dessa algoritmer för CO2-minskning för att screena över 240 olika material, upptäcka 4 lovande kandidater som förutspåddes ha önskvärda egenskaper över ett mycket brett spektrum av sammansättningar och ytstrukturer.
I den nya tidningen, medförfattarna beskriver deras bäst presterande katalysatormaterial, en legering av koppar och aluminium. Efter att de två metallerna bundits vid en hög temperatur, en del av aluminiumet etsades sedan bort, vilket resulterar i en porös struktur i nanoskala som Sargent beskriver som "fluffig".
Den nya katalysatorn testades sedan i en anordning som kallas en elektrolysator, där den "faradaiska effektiviteten" - andelen elektrisk ström som går till att göra den önskade produkten - uppmättes till 80 %, ett nytt rekord för denna reaktion.
Sargent säger att energikostnaden kommer att behöva sänkas ytterligare om systemet ska producera eten som är kostnadskonkurrenskraftigt med det som kommer från fossila bränslen. Framtida forskning kommer att fokusera på att minska den totala spänningen som krävs för reaktionen, samt att ytterligare minska andelen biprodukter, som är kostsamma att separera.
Den nya katalysatorn är den första för CO2-till-etenomvandling som delvis har utformats genom användning av AI. Det är också den första experimentella demonstrationen av det aktiva lärande som Ulissi har utvecklat. Dess starka prestanda bekräftar effektiviteten av denna strategi och bådar gott för framtida samarbeten av denna karaktär.
"Det finns många sätt som koppar och aluminium kan ordna sig, men vad beräkningarna visar är att nästan alla av dem förutspåddes vara fördelaktiga på något sätt, " säger Sargent. "Så istället för att prova olika material när våra första experiment inte fungerade, vi envisades, eftersom vi visste att det fanns något värt att investera i."
