Von der Theorie zur Praxis: KI beschleunigt Entwicklung von Materialien zur Kohlenstoffabscheidung

SPRINGFIELD, ILLINOIS / URBANA-CHAMPAIGN, ILLINOIS / CHICAGO, ILLINOIS / MÜNCHEN (IT BOLTWISE) – Forscher nutzen generative KI-Techniken, maschinelles Lernen und Simulationen, um neue umweltfreundliche Materialien für die Metal-Organischen Gerüste (MOFs) zur Kohlenstoffabscheidung zu identifizieren.

Generative KI-Techniken, maschinelles Lernen und Simulationen bieten Forschern neue Möglichkeiten, umweltfreundliche Materialien für Metal-Organische Gerüste (MOFs) zu identifizieren, die zur Kohlenstoffabscheidung eingesetzt werden können. Die Kohlenstoffabscheidung spielt eine entscheidende Rolle bei der Reduzierung von Treibhausgasemissionen aus Kraftwerken und anderen industriellen Anlagen. Doch ein geeignetes Material für eine effektive Kohlenstoffabscheidung zu niedrigen Kosten wurde bisher noch nicht gefunden. Ein Kandidat hierfür sind MOFs. Dieses poröse Material kann Kohlendioxid selektiv absorbieren.

MOFs bestehen aus drei Arten von Bausteinen in ihren Molekülen – anorganischen Knoten, organischen Knoten und organischen Verbindern. Diese können in verschiedenen relativen Positionen und Konfigurationen angeordnet werden. Dadurch gibt es unzählige potenzielle MOF-Konfigurationen, die Wissenschaftler entwerfen und testen können.

Um den Entdeckungsprozess zu beschleunigen, verfolgen Forscher des US-Energieministeriums (DOE) Argonne National Laboratory mehrere Wege. Einer davon ist die generative Künstliche Intelligenz, um bisher unbekannte Baustein-Kandidaten zu erschaffen. Ein anderer Weg ist eine Form von Künstlicher Intelligent, die als maschinelles Lernen bekannt ist. Ein dritter Pfad ist das Hochdurchsatz-Screening von Kandidatenmaterialien. Der letzte Weg sind theoriebasierte Simulationen mit einer Methode namens molekulare Dynamik.

Am Projekt beteiligen sich Forscher des Beckman Institute for Advanced Science and Technology an der University of Illinois Urbana-Champaign (UIUC), der University of Illinois at Chicago und der University of Chicago.

Das Design von MOFs mit optimaler Kohlenstoffselektivität und -kapazität stellt eine erhebliche Herausforderung dar. Bisher hat sich das MOF-Design auf mühsame experimentelle und rechnerische Arbeiten gestützt. Dies kann kostspielig und zeitaufwendig sein.

Durch die Erforschung des MOF-Designraums mit generativer KI konnte das Team innerhalb von 30 Minuten über 120.000 neue MOF-Kandidaten, Baustein für Baustein, schnell zusammenstellen. Diese Berechnungen wurden auf dem Polaris-Supercomputer im Argonne Leadership Computing Facility (ALCF) durchgeführt.

Anschließend nutzten sie den Delta-Supercomputer an der UIUC, um zeitaufwändige molekulardynamische Simulationen nur mit den vielversprechendsten Kandidaten durchzuführen. Ziel ist es, sie auf Stabilität, chemische Eigenschaften und Kapazität zur Kohlenstoffabscheidung zu prüfen. Delta ist ein Gemeinschaftsprojekt von Illinois und seinem National Center for Supercomputing Applications.

Der Ansatz des Teams könnte es Wissenschaftlern letztendlich ermöglichen, nur die allerbesten MOF-Kandidaten zu synthetisieren. „Seit mindestens zwei Jahrzehnten denken die Menschen über MOFs nach“, sagte Eliu Huerta, ein Berechnungswissenschaftler bei Argonne, der die Studie mitgeleitet hat. „Die traditionellen Methoden haben typischerweise experimentelle Synthese und rechnerische Modellierung mit molekulardynamischen Simulationen umfasst. Aber es ist einfach unpraktisch, die riesige MOF-Landschaft auf diese Weise zu untersuchen.“

Noch fortschrittlichere Rechenleistung wird bald für das Team zur Verfügung stehen. Mit der Leistung des Aurora-Exascale-Supercomputers des ALCF könnten Wissenschaftler auf einmal Milliarden von MOF-Kandidaten untersuchen, einschließlich vieler, die bisher noch nicht einmal vorgeschlagen wurden.

Darüber hinaus nimmt das Team chemische Inspiration aus früheren Arbeiten zur molekularen Gestaltung, um neue Wege zu entdecken, wie die verschiedenen Bausteine eines MOF zusammenpassen könnten.

„Wir wollten den MOFs, die wir entwarfen, neue Geschmacksrichtungen hinzufügen“, sagte Huerta. „Wir brauchten neue Zutaten für das KI-Rezept.“ Der Algorithmus des Teams kann Verbesserungen an MOFs für die Kohlenstoffabscheidung vornehmen, indem er Chemie aus der Biophysik, Physiologie und experimentellen Datensätzen der physikalischen Chemie lernt, die bisher nicht für das MOF-Design in Betracht gezogen wurden.

Für Huerta bietet der Blick über traditionelle Ansätze hinaus die Aussicht auf ein transformatives MOF-Material – eines, das gut für die Kohlenstoffabscheidung geeignet ist, kostengünstig und einfach herzustellen.

„Wir verbinden nun generative KI, Hochdurchsatz-Screening, molekulare Dynamik und Monte-Carlo-Simulationen zu einem eigenständigen Workflow“, sagte Huerta. „Dieser Workflow beinhaltet Online-Lernen unter Verwendung vergangener experimenteller und rechnerischer Forschung, um die Präzision der KI zur Erstellung neuer MOFs zu beschleunigen und zu verbessern.“

Der atomweise Ansatz für das MOF-Design, der durch Künstliche Intelligenz ermöglicht wird, wird es Wissenschaftlern erlauben, einen „weiteren Blickwinkel“ auf diese Arten poröser Strukturen zu haben, wie es Ian Foster, leitender Wissenschaftler und Direktor der Data Science and Learning Division bei Argonne, ausdrückte.

„Es wird daran gearbeitet, dass für die neuen KI-zusammengestellten MOFs, die vorhergesagt werden, Erkenntnisse aus autonomen Laboren einbezogen werden, um experimentell ihre Synthetisierbarkeit und ihre Kapazität zur Kohlenstoffabscheidung zu validieren“, sagte Foster. „Mit dem feinabgestimmten Modell werden unsere Vorhersagen immer besser und besser.“

Ein auf der Studie basierendes Papier wurde von Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster und Emad Tajkhorshid verfasst. Es erschien in der Online-Ausgabe von Communications Chemistry.

„Die Studie zeigt das große Potenzial von KI-basierten Ansätzen in den molekularen Wissenschaften“, sagte Tajkhorshid von der UIUC. „Wir hoffen, den Anwendungsbereich des Ansatzes auf Probleme wie biomolekulare Simulationen und Arzneimitteldesign ausweiten zu können.“

„Diese Arbeit ist ein Zeugnis für die Zusammenarbeit zwischen Doktoranden und Nachwuchswissenschaftlern verschiedener Institutionen, die sich zusammengefunden haben, um an diesem wichtigen KI-für-Wissenschaft-Projekt zu arbeiten“, sagte Huerta. „Die Zukunft bleibt hell, da wir weiterhin talentierte junge Wissenschaftler inspirieren und von ihnen inspiriert werden.“

Hinweis: Teile dieses Textes könnten mithilfe Künstlicher Intelligenz generiert worden sein.