Investigadores de la Universidad de Ingeniería de Toronto y la Universidad Carnegie Mellon están utilizando inteligencia artificial (IA) para acelerar el progreso en la transformación del carbono residual en un producto comercialmente valioso con una eficiencia récord.

Aprovecharon la inteligencia artificial para acelerar la búsqueda del material clave en un nuevo catalizador que convierte el dióxido de carbono (CO2) en etileno, un precursor químico de una amplia gama de productos. desde plásticos hasta detergente para platos.

El electrocatalizador resultante es el más eficiente de su clase. Si funciona con energía eólica o solar, el sistema también proporciona una forma eficiente de almacenar electricidad de estas fuentes renovables pero intermitentes.

"Usar electricidad limpia para convertir CO2 en etileno, que tiene un mercado global de $ 60 mil millones, puede mejorar la economía tanto de la captura de carbono como del almacenamiento de energía limpia, "dice el profesor Ted Sargent, uno de los autores principales de un nuevo artículo publicado hoy en Naturaleza .

Sargent y su equipo ya han desarrollado una serie de catalizadores líderes en el mundo para reducir el costo energético de la reacción que convierte el CO2 en etileno y otras moléculas a base de carbono. Pero incluso mejores pueden estar ahí fuera, y con millones de posibles combinaciones de materiales para elegir, probarlos a todos llevaría un tiempo inaceptable.

El equipo demostró que el aprendizaje automático puede acelerar la búsqueda. Utilizando modelos informáticos y datos teóricos, los algoritmos pueden descartar las peores opciones y señalar el camino hacia candidatos más prometedores.

El uso de IA para buscar materiales de energía limpia se avanzó en un taller de 2017 organizado por Sargent en colaboración con el Instituto Canadiense de Investigación Avanzada (CIFAR). La idea se elaboró ​​aún más en un Naturaleza artículo de comentario publicado más tarde ese año.

El profesor Zachary Ulissi de la Universidad Carnegie Mellon fue uno de los investigadores invitados al taller original. Su grupo se especializa en modelado informático de nanomateriales.

"Con otras reacciones químicas, Contamos con conjuntos de datos amplios y bien establecidos que enumeran los materiales catalizadores potenciales y sus propiedades, "dice Ulissi.

"Con conversión de CO2 a etileno, no tenemos eso, por lo que no podemos usar la fuerza bruta para modelar todo. Nuestro grupo ha pasado mucho tiempo pensando en formas creativas de encontrar los materiales más interesantes ".

Los algoritmos creados por Ulissi y su equipo utilizan una combinación de modelos de aprendizaje automático y estrategias de aprendizaje activo para predecir ampliamente qué tipo de productos es probable que produzca un catalizador determinado. incluso sin un modelado detallado del material en sí.

Aplicaron estos algoritmos para la reducción de CO2 para filtrar más de 240 materiales diferentes, descubriendo 4 candidatos prometedores que se predijo que tendrían propiedades deseables en una amplia gama de composiciones y estructuras superficiales.

En el nuevo periódico, los coautores describen su material catalizador de mejor rendimiento, una aleación de cobre y aluminio. Después de que los dos metales se unieron a alta temperatura, luego se grabó parte del aluminio, dando como resultado una estructura porosa a nanoescala que Sargent describe como "esponjosa".

Luego, el nuevo catalizador se probó en un dispositivo llamado electrolizador, donde la "eficiencia faradaica", la proporción de corriente eléctrica que se utiliza para fabricar el producto deseado, se midió al 80%, un nuevo récord para esta reacción.

Sargent dice que el costo de la energía deberá reducirse aún más si el sistema va a producir etileno que sea competitivo en costos con el derivado de los combustibles fósiles. La investigación futura se centrará en reducir el voltaje general requerido para la reacción, así como reducir aún más la proporción de productos secundarios, que son costosos de separar.

El nuevo catalizador es el primero para la conversión de CO2 en etileno que se diseñó en parte mediante el uso de IA. También es la primera demostración experimental de los enfoques de aprendizaje activo que ha estado desarrollando Ulissi. Su sólido desempeño valida la efectividad de esta estrategia y es un buen augurio para futuras colaboraciones de esta naturaleza.

"Hay muchas formas en que el cobre y el aluminio pueden organizarse por sí mismos, pero lo que muestran los cálculos es que se predijo que casi todos ellos serían beneficiosos de alguna manera, ", dice Sargent." Entonces, en lugar de probar diferentes materiales cuando nuestros primeros experimentos no funcionaron, persistimos, porque sabíamos que había algo en lo que valía la pena invertir ".