Wissenschaftler des Oak Ridge National Laboratory haben eine Methode entwickelt, die künstliche Intelligenz nutzt, um die Identifizierung umweltfreundlicher Lösungsmittel für die industrielle Kohlenstoffabscheidung, die Biomasseverarbeitung, wiederaufladbare Batterien und andere Anwendungen zu beschleunigen. Das Papier ist veröffentlicht im Zeitschrift für chemische Theorie und Berechnung.
Die Forschung zielt auf eine Klasse von Lösungsmitteln ab, die als ungiftig, biologisch abbaubar, hochstabil, kostengünstig und wiederverwendbar bekannt sind.
Die Wissenschaftler entwickelten eine Methode zur Vorhersage der Viskosität von Lösungsmitteln – eine Schlüsseleigenschaft, die die Leistungsfähigkeit bei industriellen Anwendungen beeinflusst. Sie sammelten fast 5.000 Datenpunkte zu 672 Lösungsmitteln, werteten quantenchemische Merkmale aus, die die Wechselwirkungen von Lösungsmittelmolekülen steuern, und setzten einen Algorithmus namens „Category Boosting“ ein, um die Daten schnell zu analysieren und die besten Kandidaten zu ermitteln.
„Mit unserem Ansatz haben wir Rechenzeit und Komplexität reduziert und gleichzeitig alle möglichen molekularen Interaktionen berücksichtigt“, sagte Mohan Mood vom ORNL.
Michelle Kidder vom ORNL sagte: „Interpretierbares maschinelles Lernen hilft uns, Lösungsmittel mit den gewünschten Eigenschaften für die Kohlenstoffabscheidung zu entwickeln, indem es den Versuchsaufwand und die Kosten im Labor reduziert.“
Mehr Informationen:
Mood Mohan et al, Präzises maschinelles Lernen zur Vorhersage der Viskosität tief eutektischer Lösungsmittel, Zeitschrift für chemische Theorie und Berechnung (2024). DOI: 10.1021/acs.jctc.3c01163