Generativ AI-teknik, maskininlärning och simuleringar ger forskare nya möjligheter att identifiera miljövänliga metallorganiska rammaterial.
Kolavskiljning är en kritisk teknik för att minska utsläppen av växthusgaser från kraftverk och andra industrianläggningar. Ett lämpligt material för effektiv kolavskiljning till låg kostnad har dock ännu inte hittats. En kandidat är metallorganiska ramverk eller MOF. Detta porösa material kan selektivt absorbera koldioxid.
MOFs har tre typer av byggstenar i sina molekyler - oorganiska noder, organiska noder och organiska länkar. Dessa kan arrangeras i olika relativa positioner och konfigurationer. Som ett resultat finns det otaliga potentiella MOF-konfigurationer för forskare att designa och testa.
För att påskynda upptäcktsprocessen följer forskare från det amerikanska energidepartementets (DOE) Argonne National Laboratory flera vägar. En är generativ artificiell intelligens (AI) för att drömma om tidigare okända byggstenskandidater. En annan är en form av AI som kallas maskininlärning. En tredje väg är en screening med hög genomströmning av kandidatmaterial. Den sista är teoribaserade simuleringar med en metod som kallas molekylär dynamik.
Med Argonne i detta projekt är forskare från Beckman Institute for Advanced Science and Technology vid University of Illinois Urbana-Champaign (UIUC), University of Illinois i Chicago och University of Chicago.
Att designa MOF med optimal kolselektivitet och kapacitet är en betydande utmaning. Fram till nu har MOF-design förlitat sig på noggrant experimentellt och beräkningsarbete. Detta kan vara kostsamt och tidskrävande.
Genom att utforska MOF-designutrymmet med generativ AI kunde teamet snabbt sätta ihop, byggblock för byggblock, över 120 000 nya MOF-kandidater inom 30 minuter. De körde dessa beräkningar på Polaris superdator vid Argonne Leadership Computing Facility (ALCF).
De vände sig sedan till superdatorn Delta vid UIUC för att utföra tidsintensiva simuleringar av molekylär dynamik med endast de mest lovande kandidaterna. Målet är att screena dem för stabilitet, kemiska egenskaper och kapacitet för kolavskiljning. Delta är en gemensam satsning av Illinois och dess National Center for Supercomputing Applications.
Teamets tillvägagångssätt kan i slutändan tillåta forskare att syntetisera bara de allra bästa MOF-utmanarna. "Människor har tänkt på MOF i minst två decennier", säger Argonne beräkningsforskare Eliu Huerta, som hjälpte till att leda studien. "De traditionella metoderna har vanligtvis involverat experimentell syntes och beräkningsmodellering med simuleringar av molekylär dynamik. Men att försöka kartlägga det enorma MOF-landskapet på detta sätt är helt enkelt opraktiskt."
Ännu mer avancerad datoranvändning kommer snart att finnas tillgänglig för teamet att använda. Med kraften hos ALCF:s Aurora exascale superdator kunde forskare kartlägga miljarder MOF-kandidater på en gång, inklusive många som aldrig ens har föreslagits tidigare.
Dessutom tar teamet kemisk inspiration från tidigare arbete med molekylär design för att upptäcka nya sätt på vilka de olika byggstenarna i en MOF kan passa ihop.
"Vi ville lägga till nya smaker till MOFs som vi designade," sa Huerta. "Vi behövde nya ingredienser för AI-receptet." Teamets algoritm kan göra förbättringar av MOF:er för kolavskiljning genom att lära sig kemi från biofysik, fysiologi och fysikalisk kemi experimentella datauppsättningar som inte har övervägts för MOF-design tidigare.
För Huerta innebär det att se bortom traditionella tillvägagångssätt löftet om ett transformativt MOF-material – ett som kan vara bra på kolavskiljning, kostnadseffektivt och lätt att producera.
"Vi kopplar nu samman generativ AI, screening med hög genomströmning, molekylär dynamik och Monte Carlo-simuleringar till ett fristående arbetsflöde," sa Huerta. "Det här arbetsflödet inkluderar onlineinlärning med hjälp av tidigare experimentell och beräkningsforskning för att accelerera och förbättra precisionen hos AI för att skapa nya MOF:er."
Atom-för-atom-metoden för MOF-design som möjliggörs av AI kommer att göra det möjligt för forskare att ha vad Argonne seniorforskare och datavetenskaps- och inlärningsdivisionschef Ian Foster kallade en "vidare lins" på dessa typer av porösa strukturer.
"Arbete görs så att vi, för de nya AI-monterade MOFs som förutsägs, införlivar insikter från autonoma labb för att experimentellt validera deras förmåga att syntetiseras och förmåga att fånga kol," sa Foster. "Med modellen finjusterad kommer våra förutsägelser bara att bli bättre och bättre."
En artikel baserad på studien skrevs av Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster och Emad Tajkhorshid. Det dök upp i onlinenumret av Communications Chemistry .
"Studien visar den stora potentialen i att använda AI-baserade metoder inom molekylär vetenskap", säger UIUC:s Tajkhorshid. "Vi hoppas kunna utöka omfattningen av tillvägagångssättet för problem som biomolekylära simuleringar och läkemedelsdesign."
"Detta arbete är ett bevis på samarbetet mellan doktorander och forskare i tidiga karriärer från olika institutioner som gick samman för att arbeta med detta viktiga AI för vetenskapsprojekt," sa Huerta. "Framtiden kommer att förbli ljus när vi fortsätter att inspirera och inspireras av begåvade unga forskare."
Mer information: Hyun Park et al, Ett generativt ramverk för artificiell intelligens baserat på en molekylär diffusionsmodell för design av metallorganiska ramverk för kolinfångning, Communications Chemistry (2024). DOI:10.1038/s42004-023-01090-2
Tillhandahålls av Argonne National Laboratory
