Ein maschinelles Lernmodell zur Identifizierung neuer Verbindungen zur Bekämpfung der globalen Erwärmung

Unter allen Treibhausgasen trägt Kohlendioxid am stärksten zur globalen Erwärmung bei. Wenn wir bis 2100 nichts unternehmen, wird die Durchschnittstemperatur unserer Welt laut dem Zwischenstaatlichen Ausschuss für Klimaänderungen um etwa 34 Grad Fahrenheit steigen. Die Suche nach effektiven Wegen zur Abscheidung und Speicherung von CO2 war eine Herausforderung für Forscher und Industrien, die sich auf die Bekämpfung der globalen Erwärmung konzentrieren, und Amir Barati Farimani hat daran gearbeitet, dies zu ändern.

„Maschinelle Lernmodelle versprechen die Entdeckung neuer chemischer Verbindungen oder Materialien zur Bekämpfung der globalen Erwärmung“, erklärt Barati Farimani, Assistenzprofessor für Maschinenbau an der Carnegie Mellon University. „Machine-Learning-Modelle können ein genaues und effizientes virtuelles Screening von CO2-Speicherkandidaten erreichen und sogar bevorzugte Verbindungen generieren, die es noch nie zuvor gab.“

Barati Farimani hat mit maschinellem Lernen einen Durchbruch erzielt, um Ionenflüssigkeitsmoleküle zu identifizieren. Ionische Flüssigkeiten (ILs) sind Familien von geschmolzenem Salz, die bei Raumtemperatur in einem flüssigen Zustand bleiben, eine hohe chemische Stabilität und eine hohe CO2-Löslichkeit aufweisen, was sie zu idealen Kandidaten für die CO2-Speicherung macht. Die Kombination von Ionen bestimmt weitgehend die Eigenschaften von ionischen Flüssigkeiten. Solche kombinatorischen Möglichkeiten von Kationen und Anionen machen es jedoch äußerst schwierig, den Designraum von ILs für eine effiziente CO2-Speicherung durch konventionelle Experimente auszuschöpfen.

Maschinelles Lernen wird häufig in der Arzneimittelforschung eingesetzt, um sogenannte molekulare Fingerabdrücke zusammen mit Graph Neural Networks (GNNs) zu erstellen, die Moleküle als Graphen behandeln und eine Matrix verwenden, um molekulare Bindungen und verwandte Eigenschaften zu identifizieren. Zum ersten Mal hat Barati Farimani sowohl Fingerabdruck-basierte ML-Modelle als auch GNNs entwickelt, die in der Lage sind, die CO2-Absorption in ionischen Flüssigkeiten vorherzusagen.

„Unsere GNN-Methode erreicht eine überlegene Genauigkeit bei der Vorhersage der CO2-Löslichkeit in Ionenflüssigkeiten“, sagt Barati Farimani. „Im Gegensatz zu früheren ML-Methoden, die auf handgefertigten Merkmalen beruhen, lernt GNN die Merkmale direkt aus molekularen Graphen.“

Zu verstehen, wie Modelle des maschinellen Lernens Entscheidungen treffen, ist genauso wichtig wie die molekularen Eigenschaften, die sie identifizieren. Diese Erklärung gibt den Forschern einen zusätzlichen Einblick, wie die Struktur des Moleküls die Eigenschaft von ionischen Flüssigkeiten aus einer datengesteuerten Perspektive beeinflusst. Beispielsweise fand das Team von Barati Farmimani heraus, dass Molekülfragmente, die physikalisch mit CO2 interagieren, weniger wichtig sind als solche, die eine chemische Wechselwirkung haben. Darüber hinaus könnten diejenigen mit weniger an Stickstoff gebundenem Wasserstoff günstiger sein, um eine stabile chemische Wechselwirkung mit CO2 zu formalisieren.

Diese Ergebnisse, veröffentlicht in ACS Nachhaltige Chemie & Technikwird es Forschern ermöglichen, künftig über das Design neuartiger und effizienter ionischer Flüssigkeiten für die CO2-Speicherung zu beraten.