به گزارش ایراسین، محققان مستقر در ایالات متحده در حال کار برروی سرعت بخشیدن به فرآیند شناسایی مواد چارچوب فلزی آلی (MOF [۱]) هستند که برای جذب و ذخیره سازی کربن مناسب هستند. این مواد، مواد متخلخلی هستند که می‌توانند به طور انتخابی دی اکسید کربن را حذب کنند و سه نوع بلوک ساختمانی در مولکول‌های خود دارند: گره‌های معدنی، گره‌های آلی و پیوندهای آلی. اینها را می‌توان در موقعیت‌ها و پیکربندی‌های نسبی مختلف مرتب کرد. در نتیجه تعداد بیشماری پیکربندی MOF برای طراحی و آزمایش دانشمندان وجود دارد.

تیم علمی متشکل از محققان آزمایشگاه ملی آرگون در وزارت انرژی ایالات متحده، دانشگاه Urbana-Champaign ایلینویز (UIUC)، دانشگاه ایلینویز در شیکاگو و دانشگاه شیکاگو برای تعیین سریع اینکه کدام پیکربندی مناسب است، از هوش مصنوعی مولّد برای رویاپردازی گزینه‌های بلوک ساختمانی قبلی استفاده می‌کند.

آنها همچنین در حال آزمایش نوعی هوش مصنوعی به نام یادگیری ماشینی و سومین مسیری هستند که غربالگر توانمند مواد منتخب است. آخرین مورد شبیه سازی های مبتنی بر این نظریه، استفاده از روشی به نام داینامیک مولکولی است. با کشف فضای طراحی MOF با هوش مصنوعی مولّد، تیم توانست به سرعت، بلوک به بلوک، بیش از ۱۲۰ هزار ماده جدید MOF را در ۳۰ دقیقه جمع آوری کند.

آنها این محاسبات را روی ابر رایانه پولاریس در مرکز محاسبات راهبردی آرگون انجام دادند. سپس به ابر رایانه UIUC روی آوردند تا شبیه سازی های داینامیک مولکولی زمانبر را با استفاده از امیدوارکننده‌ترین گزینه‌ها انجام دهند. هدف غربالگری آنها از نظر پایداری، خواص شیمیایی و ظرفیت جذب کربن است.

«دلتا» تلاش مشترک ایلینوی و مرکز ملی آن برای برنامه‌های کاربردی ابر رایانه است. رویکرد این تیم در نهایت می‌تواند به دانشمندان اجازه دهد تا بهترین رقبای MOF را ترکیب کنند. اِلیو هوِرتا دانشمند محاسباتی آرگون، در بیانیه‌ای رسانه‌ای گفت: «مردم حداقل دو دهه است که به MOF ها فکر می‌کنند. روش‌های سنّتی مهمولاً شامل سنتزهای تجربی و مدلسازی محاسباتی با شبیه سازی داینامیک مولکولی هستند. اما تلاش برای بررسی چشم انداز وسیع MOF از این طریق غیر عملی است».

پاسخگویی ابررایانه‌ها

محاسبات پیشرفته‌تری نیز به زودی برای این تیم در دسترس خواهد بود. با قدرت ابر رایانه آرورا، دانشمندان می‌توانند میلیاردها MOF را به طور همزمان بررسی کنند از جمله بسیار از آنها که پیش از این حتی پیشنهاد هم نشده بودند. علاوه بر این، این تیم از کارهای قبلی روی طراحی مولکولی الهام می‌گیرد تا راه‌های جدیدی را کشف کند که در آن بلوک‌های سازنده مختلف یک MOF با هم تطبیق یابند. هوِرتا گفت: «ما می‌خواستیم طعم‌های جدیدی را به MOF هایی که طراحی می‌کردیم اضافه کنیم و برای این کار و برای دستورالعمل هوش مصنوعی به مواد جدیدی نیاز داشتیم».

الگوریتم این گروه می‌تواند با یادگیری شیمی از مجموعه داده‌های تجربی بیوفیزیک، فیزیولوژی و شیمی فیزیک که قبلاً برای طراحی MOF درنظر گرفته نشده اند، MOF ها را برای جذب کربن بهبود ببخشد. از نظر هوِرتا نگاهی فراتر از رویکردهای سنّتی، نوید یک ماده MOF متحول کننده را دارد.

ماده‌ای که می‌تواند در جذب کربن خوب، مقرون به صرفه با تولید آسان مؤثر باشد. وی گفت: «ما اکنون در حال اتصال هوش مصنوعی مولّد، غربالگری با توان عملیاتی بالا، دینامیک مولکولی و شبیه سازی مونت کارلو به یک جریان کاری مستقل هستیم. این گردش کار شامل یادگیری آنلاین با استفاده از تحقیقات تجربی و محاسباتی گذشته برای تسریع و بهبود دقت هوش مصنوعی برای ایجاد MOF های جدید است».

رویکرد اتم به اتم به طراحی MOF که توسط هوش مصنوعی فعال شده، به دانشمندان این امکان را می‌دهد که آنچه را که دانشمند ارشد آرگون، یان فاستر «عدسی وسیع تر» می نامد، روی این ساختارهای متخلخل داشته باشند. فاستر گفت: «کار به گونه‌ای انجام می‌شود که برای MOF های جدید مونتاژ شده با هوش مصنوعی که پیش بینی می‌شوند، ما بینش‌های آزمایشگاه‌های خود مختار را برای تأیید تجربی توانایی‌های آنها در سنتز و ظرفیت جذب کربن ترکیب می‌کنیم. با تنظیم دقیق مدل، پیش بینی‌ها ما بهتر و بهتر و می شوند».