Pesquisadores da University of Toronto Engineering e da Carnegie Mellon University estão usando inteligência artificial (IA) para acelerar o progresso na transformação de carbono residual em um produto comercialmente valioso com eficiência recorde.

Eles aproveitaram a IA para acelerar a busca pelo material-chave em um novo catalisador que converte dióxido de carbono (CO2) em etileno - um precursor químico para uma ampla gama de produtos, de plásticos a detergentes de louça.

O eletrocatalisador resultante é o mais eficiente em sua classe. Se executado usando energia eólica ou solar, o sistema também fornece uma maneira eficiente de armazenar eletricidade dessas fontes renováveis, porém intermitentes.

“Usando eletricidade limpa para converter CO2 em etileno, que tem um mercado global de US $ 60 bilhões, pode melhorar a economia de captura de carbono e armazenamento de energia limpa, "diz o professor Ted Sargent, um dos autores seniores em um novo artigo publicado hoje em Natureza .

Sargent e sua equipe já desenvolveram uma série de catalisadores líderes mundiais para reduzir o custo de energia da reação que converte CO2 em etileno e outras moléculas baseadas em carbono. Mas ainda melhores podem estar lá fora, e com milhões de combinações de materiais potenciais para escolher, testá-los todos seria inaceitavelmente demorado.

A equipe mostrou que o aprendizado de máquina pode acelerar a pesquisa. Usando modelos de computador e dados teóricos, algoritmos podem descartar as piores opções e apontar o caminho para candidatos mais promissores.

O uso de IA para pesquisar materiais de energia limpa foi avançado em um workshop de 2017 organizado por Sargent em colaboração com o Instituto Canadense de Pesquisa Avançada (CIFAR). A ideia foi mais bem elaborada em um Natureza artigo de comentário publicado no final daquele ano.

O professor Zachary Ulissi, da Carnegie Mellon University, foi um dos pesquisadores convidados no workshop original. Seu grupo é especializado em modelagem computacional de nanomateriais.

"Com outras reações químicas, temos conjuntos de dados grandes e bem estabelecidos listando os materiais catalisadores potenciais e suas propriedades, "diz Ulissi.

"Com a conversão de CO2 em etileno, nós não temos isso, portanto, não podemos usar a força bruta para modelar tudo. Nosso grupo passou muito tempo pensando em maneiras criativas de encontrar os materiais mais interessantes. "

Os algoritmos criados por Ulissi e sua equipe usam uma combinação de modelos de aprendizado de máquina e estratégias de aprendizado ativo para prever de forma ampla quais tipos de produtos um determinado catalisador pode produzir, mesmo sem modelagem detalhada do próprio material.

Eles aplicaram esses algoritmos de redução de CO2 para examinar mais de 240 materiais diferentes, descobrir 4 candidatos promissores que foram previstos como tendo propriedades desejáveis ​​em uma ampla gama de composições e estruturas de superfície.

No novo jornal, os co-autores descrevem seu material de catalisador de melhor desempenho, uma liga de cobre e alumínio. Depois que os dois metais foram ligados em alta temperatura, parte do alumínio foi então removido, resultando em uma estrutura porosa em nanoescala que Sargent descreve como "fofa".

O novo catalisador foi então testado em um dispositivo chamado eletrolisador, onde a "eficiência faradaica" - a proporção de corrente elétrica que entra na fabricação do produto desejado - foi medida em 80%, um novo recorde para esta reação.

Sargent diz que o custo da energia precisará ser reduzido ainda mais se o sistema for produzir etileno que seja competitivo em custo com o derivado de combustíveis fósseis. Pesquisas futuras se concentrarão na redução da tensão geral necessária para a reação, além de reduzir ainda mais a proporção de produtos colaterais, cuja separação é cara.

O novo catalisador é o primeiro para conversão de CO2 em etileno a ter sido projetado em parte por meio do uso de IA. É também a primeira demonstração experimental das abordagens de aprendizagem ativa que Ulissi vem desenvolvendo. O seu forte desempenho valida a eficácia desta estratégia e é um bom presságio para futuras colaborações desta natureza.

"Existem muitas maneiras de o cobre e o alumínio se organizarem, mas o que os cálculos mostram é que quase todos eles foram previstos para serem benéficos de alguma forma, "diz Sargent." Então, em vez de tentar materiais diferentes quando nossos primeiros experimentos não funcionaram, nós persistimos, porque sabíamos que havia algo em que valia a pena investir. "