Kohlenstoffabscheidung Atom für Atom mit einem Modell des maschinellen Lernens untersuchen

Ein Wissenschaftlerteam des Lawrence Livermore National Laboratory (LLNL) hat ein maschinelles Lernmodell entwickelt, um die CO2-Abscheidung in Sorptionsmitteln auf Aminbasis auf atomarer Ebene zu verstehen. Dieser innovative Ansatz verspricht eine Verbesserung der Effizienz von Technologien zur direkten Luftabscheidung (Direct Air Capture, DAC), die für die Reduzierung der bereits in der Atmosphäre vorhandenen übermäßigen CO2-Mengen von entscheidender Bedeutung sind.

Trotz laufender Bemühungen, die Wirtschaft zu dekarbonisieren, geht das US-Energieministerium davon aus, dass der Großteil der nationalen Energieproduktion auch im Jahr 2050 noch immer aus nicht erneuerbaren Quellen stammen wird. Dies unterstreicht die dringende Notwendigkeit, nicht nur neue Technologien für erneuerbare Energien zu entwickeln, sondern auch die Methoden zur Erfassung und Speicherung von CO2-Emissionen zu verbessern.

Aminbasierte Sorptionsmittel haben sich als vielversprechende Lösung erwiesen, da sie CO2 selbst unter ultraverdünnten Bedingungen effizient binden. Die niedrigen Kosten dieser Sorptionsmittel haben es mehreren Unternehmen ermöglicht, diese Technologie zu skalieren, wodurch DAC als praktikable Methode zur Bekämpfung der globalen Erwärmung nachgewiesen wurde. Es bestehen jedoch noch erhebliche Wissenslücken in der Chemie der CO2-Abscheidung unter experimentell relevanten Bedingungen.

Das maschinelle Lernmodell des LLNL-Teams hat gezeigt, dass die CO2-Aufnahme durch Amine die Bildung einer chemischen Kohlenstoff-Stickstoff-Bindung zwischen der Aminogruppe und CO2 sowie eine komplexe Reihe von lösungsmittelvermittelten Protonentransferreaktionen beinhaltet. Diese Protonentransferreaktionen sind entscheidend für die Bildung der stabilsten CO2-gebundenen Spezies und werden erheblich durch Quantenfluktuationen der Protonen beeinflusst.

„Unsere Methode kann auf Amine mit unterschiedlichen chemischen Zusammensetzungen ausgeweitet werden, was die Bedeutung des maschinellen Lernens für das Verständnis der grundlegenden Chemie der CO2-Abscheidung unter realistischen Bedingungen unterstreicht“, sagte Marcos Calegari Andrade, Hauptautor einer Papier Erscheint in Chemische Wissenschaft.

Durch die Kombination großkanonischer Monte-Carlo-Methoden und verbesserter Sampling-Methoden in der Molekulardynamik ermittelten die Forscher Größen, auf die experimentell direkt zugegriffen werden kann. Diese Ergebnisse stellen eine wichtige Verbindung zu Labormessungen her und ebnen den Weg für eine zukünftige Rückkopplungsschleife zwischen Simulationen und Experimenten.

„Durch die Integration von maschinellem Lernen mit fortschrittlichen Simulationstechniken haben wir einen leistungsstarken Ansatz geschaffen, der theoretische Vorhersagen und experimentelle Validierungen von CO2-Abscheidungsmechanismen auf eine Weise verbindet, die mit herkömmlichen Simulationstechniken nicht möglich ist“, sagte LLNL-Wissenschaftler Sichi Li, Co-Korrespondenzautor und theoretischer Leiter des Projekts.

„Diese Forschung erweitert nicht nur unser Verständnis der CO2-Abscheidungsmechanismen, sondern bietet auch ein neues und wichtiges Instrument für die Entwicklung von Materialien der nächsten Generation, die zu Netto-Null-Treibhausgasemissionen beitragen können“, sagte Simon Pang, Co-Autor und leitender Forscher des Projekts.

Zu den LLNL-Co-Autoren gehören auch Tuan Anh Pham und Sneha Akhade.