Seit einem Jahrhundert untersuchen Forscher die industrielle Produktion von Ammoniak. Doch bisher haben sie keine Möglichkeit gefunden, den Prozess zu verbessern, der wenig Ertrag und Effizienz bringt.
Mithilfe eines Eisenkatalysators reagiert Stickstoff in der Atmosphäre mit Wasserstoff und es entsteht Ammoniak. Bei dieser Reaktion entsteht viel Ammoniak – die weltweite Produktion beträgt 160 Millionen Tonnen pro Jahr. Der Großteil davon wird in der Landwirtschaft verwendet, insbesondere als Stickstoffdünger. Es wird auch in vielen Industriezweigen verwendet, unter anderem in der Kühlung bei der Lebensmittel- und Getränkeproduktion. Wir alle kennen es als Haushaltsreiniger.
Ein Forschungsteam unter der Leitung von Qi An, außerordentlicher Professor für Materialwissenschaft und Werkstofftechnik an der Iowa State University, hat eine Technologie auf Basis künstlicher Intelligenz entwickelt, die das Verständnis der Forscher für die chemischen Reaktionen bei der Ammoniakproduktion und anderen komplexen chemischen Reaktionen verbessern könnte.
„Unser entwickeltes HDRL-FP-Framework hat das Potenzial, wesentlich zur Optimierung dieses Prozesses beizutragen, wodurch möglicherweise die Produktionskosten und der CO₂-Ausstoß gesenkt und der Bau kleinerer und weiter verbreiteter Anlagen erleichtert werden kann“, schrieben die Forscher in einem Artikel kürzlich online veröffentlicht von der Zeitschrift Naturkommunikation. „Daher unterstreicht das Framework seine Wirksamkeit und sein Potenzial für die Vorhersage komplexer chemischer Reaktionswege.“
HDRL-FP steht für High-Throughput Deep Reinforcement Learning mit First Principles. An und seine Mitarbeiter und Co-Autoren – Tian Lan und Huan Wang von Salesforce AI Research in Kalifornien – sagen, dass die Technologie voller Potenzial steckt.
„Die Erforschung katalytischer Reaktionsmechanismen ist von entscheidender Bedeutung für das Verständnis chemischer Prozesse, die Optimierung der Reaktionsbedingungen und die Entwicklung wirksamerer Katalysatoren“, schrieben sie.
Von Belohnungen und Atomen
An sagte, dass es bei der Software-Technologie der Forscher zwei Schlüsselfaktoren gebe: eine Art maschinelles Lernen namens „Reinforcement Learning“ und die Verknüpfung des Simulationsprozesses mit den Positionen der beteiligten Atome.
Ein solches bestärkendes Lernen ist wie das Trainieren eines Hundes, bei dem man Belohnungen einsetzt, um Aktionen zu fördern. Beim bestärkenden Lernen lernen Computer aus ihren Aktionen, während sie nach entsprechenden Belohnungen suchen. In diesem Fall geht es bei den Belohnungen darum, den besten, effizientesten und kostengünstigsten Reaktionspfad zu finden.
In Kombination mit Grafikprozessoren und Hochdurchsatzstrategien kann die Methode schnell und automatisch den optimalen Reaktionsweg aus Tausenden von möglichen Wegen ermitteln, sagte An. So lassen sich effektiv praktikable Reaktionsmechanismen inmitten der extrem verrauschten Daten realer chemischer Reaktionen identifizieren.
Die Forscher haben die Technologie auch so entwickelt, dass sie für allgemeine Studien katalytischer Reaktionen nützlich ist. Studien beginnen mit der Abbildung der Positionen von Atomen auf einer Energielandschaft. Das reicht aus – die Forscher müssen nicht mit einer spezifischeren Darstellung der Reaktionsumgebung beginnen, einschließlich der Zustände, Aktionen oder Belohnungen für eine bestimmte Reaktion.
An und seine Mitarbeiter haben etwa zwei Jahre an dem Projekt gearbeitet. Es begann, als An nach Iowa State zog und wurde durch Startkapital seiner Universität unterstützt.
Er sagte, dass die Berechnungen des Systems für die Reaktion zur Ammoniakproduktion als eine Art Proof of Concept-Demonstration gelten.
„Dadurch können wir den Reaktionsmechanismus herausfinden“, sagte An. „Wir können wichtige Reaktionsschritte bei der Ammoniaksynthese beobachten.“
Der erfolgreiche Einblick der Forscher in das Innere dieser Reaktion „ermöglicht automatisch die Untersuchung komplexer katalytischer chemischer Reaktionen“, schreiben sie, „und bietet einen vielversprechenden Ansatz für zukünftige Forschungen und Entdeckungen.“
Mehr Informationen:
Tian Lan et al., Ermöglichung von hochdurchsatzfähigem Deep Reinforcement Learning mit ersten Prinzipien zur Untersuchung katalytischer Reaktionsmechanismen, Naturkommunikation (2024). DOI: 10.1038/s41467-024-50531-6