Die Kohlenstoffabscheidung ist eine entscheidende Technologie zur Verringerung der Treibhausgasemissionen von Kraftwerken und anderen Industrieanlagen. Ein geeignetes Material für eine effektive und kostengünstige Kohlenstoffabscheidung muss jedoch erst noch gefunden werden. Ein Kandidat sind metallorganische Gerüste (MOFs). Dieses poröse Material kann Kohlendioxid selektiv absorbieren.
Entdeckungsprozess beschleunigen
MOFs haben drei Arten von Bausteinen in ihren Molekülen – anorganische Knoten, organische Knoten und organische Linker. Diese können in verschiedenen relativen Positionen und Konfigurationen angeordnet werden. Infolgedessen gibt es unzählige potenzielle MOF-Konfigurationen, die Wissenschaftler entwerfen und testen können.
Um den Entdeckungsprozess zu beschleunigen, verfolgen Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) mehrere Wege. Einer davon ist die generative künstliche Intelligenz (KI), um bisher unbekannte Kandidaten für Bausteine zu finden. Ein anderer Weg ist eine Form der KI, die als maschinelles Lernen bezeichnet wird. Ein dritter Weg ist das Hochdurchsatz-Screening von Materialkandidaten. Der letzte Weg sind theoriegestützte Simulationen mit einer Methode namens Molekulardynamik.
An diesem Projekt sind neben Argonne auch 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 beteiligt.
Neue MOF-Anwärter synthetisieren
Die Entwicklung von MOFs mit möglichst guter Kohlenstoffselektivität und -kapazität ist eine große Herausforderung. Bislang war die Entwicklung von MOFs auf mühsame experimentelle und rechnerische Arbeit angewiesen. Dies kann kostspielig und zeitaufwendig sein.
Durch die Erkundung des MOF-Designraums mit generativer KI war das Team in der Lage, innerhalb von 30 Minuten Baustein für Baustein über 120.000 neue MOF-Kandidaten zusammenzustellen. Sie führten diese Berechnungen auf dem Polaris-Supercomputer der Argonne Leadership Computing Facility (ALCF) durch. Die ALCF ist eine Benutzereinrichtung des DOE Office of Science.
Anschließend wendeten sie sich an den Delta-Supercomputer der UIUC, um zeitintensive Molekulardynamiksimulationen durchzuführen, wobei sie nur die vielversprechendsten Kandidaten verwendeten. Ziel ist es, sie auf ihre Stabilität, ihre chemischen Eigenschaften und ihre Fähigkeit zur Kohlenstoffabscheidung zu prüfen. Delta ist eine gemeinsame Anstrengung von Illinois und seinem National Center for Supercomputing Applications.
Der Ansatz des Teams könnte es Wissenschaftlern letztendlich ermöglichen, nur die besten MOF-Anwärter zu synthetisieren. „Seit mindestens zwei Jahrzehnten wird über MOFs nachgedacht“, sagt Eliu Huerta, Computerwissenschaftler bei Argonne und Leiter der Studie. „Die traditionellen Methoden umfassen in der Regel die experimentelle Synthese und die rechnerische Modellierung mit Molekulardynamiksimulationen. Aber der Versuch, die riesige MOF-Landschaft auf diese Weise zu erfassen, ist einfach unpraktisch.“
Neue Geschmacksrichtungen
Dem Team werden bald noch fortschrittlichere Computer zur Verfügung stehen, die es nutzen kann. Mit der Leistung des Exascale-Supercomputers Aurora des ALCF könnten die Wissenschaftler Milliarden von MOF-Kandidaten auf einmal untersuchen, darunter viele, die noch nie zuvor vorgeschlagen wurden.
Darüber hinaus lässt sich das Team chemisch von früheren Arbeiten zum Moleküldesign inspirieren, um neue Möglichkeiten zu entdecken, wie die verschiedenen Bausteine einer MOF zusammenpassen könnten.
„Wir wollten den MOFs, die wir entworfen haben, neue Geschmacksrichtungen verleihen“, so Huerta. „Wir brauchten neue Zutaten für das KI-Rezept.“ Der Algorithmus des Teams kann MOFs für die Kohlenstoffabscheidung verbessern, indem er aus biophysikalischen, physiologischen und chemisch-physikalischen Versuchsdatensätzen lernt, die bisher nicht für das MOF-Design berücksichtigt wurden.
Für Huerta birgt der Blick über den Tellerrand traditioneller Ansätze hinaus das Versprechen eines transformativen MOF-Materials – eines, das sich gut für die Kohlenstoffabscheidung eignet, kosteneffizient ist und sich leicht herstellen lässt.
„Wir verbinden jetzt generative KI, Hochdurchsatz-Screening, Molekulardynamik und Monte-Carlo-Simulationen in einem eigenständigen Arbeitsablauf“, sagte Huerta. „Dieser Arbeitsablauf beinhaltet Online-Lernen unter Verwendung früherer experimenteller und rechnerischer Forschung, um die Präzision der KI bei der Entwicklung neuer MOFs zu beschleunigen und zu verbessern.“
Der Atom-für-Atom-Ansatz für das Design von MOFs, der durch KI ermöglicht wird, wird den Wissenschaftlern einen „erweiterten Blickwinkel“ auf diese Art von porösen Strukturen ermöglichen, wie Ian Foster, leitender Wissenschaftler und Leiter der Abteilung Data Science and Learning bei Argonne, es ausdrückte. „Es wird daran gearbeitet, dass wir für die neuen KI-assemblierten MOFs, die vorhergesagt werden, Erkenntnisse aus autonomen Labors einbeziehen, um ihre Fähigkeit zur Synthese und zur Kohlenstoffbindung experimentell zu validieren“, sagte Foster. „Mit der Feinabstimmung des Modells werden unsere Vorhersagen immer besser.“
Potenzial von KI
„Die Studie zeigt das große Potenzial des Einsatzes von KI-basierten Ansätzen in den Molekularwissenschaften“, so Tajkhorshid von der UIUC. „Wir hoffen, den Anwendungsbereich des Ansatzes auf Probleme wie biomolekulare Simulationen und das Design von Medikamenten auszuweiten.“
„Diese Arbeit ist ein Beweis für die Zusammenarbeit zwischen Doktoranden und Nachwuchswissenschaftlern aus verschiedenen Institutionen, die zusammenkamen, um an diesem wichtigen KI-Projekt für die Wissenschaft zu arbeiten“, sagte Huerta. „Die Zukunft wird hell bleiben, wenn wir weiterhin talentierte junge Wissenschaftler inspirieren und von ihnen inspiriert werden.“
Die Arbeit wurde vom DOE's Office of Science, Office of Advanced Scientific Computing Research, laborgeleiteten Forschungs- und Entwicklungsgeldern und der National Science Foundation unterstützt.
Dieser Artikel wurde mit Deepl aus dem Englischen übersetzt.