Parmi tous les gaz à effet de serre, le dioxyde de carbone est celui qui contribue le plus au réchauffement climatique. Si nous n’agissons pas d’ici 2100, selon le Groupe d’experts intergouvernemental sur l’évolution du climat, la température moyenne de notre monde augmentera d’environ 34 degrés Fahrenheit. Trouver des moyens efficaces de capturer et de stocker le CO2 a été un défi pour les chercheurs et les industries axés sur la lutte contre le réchauffement climatique, et Amir Barati Farimani s’est efforcé de changer cela.
« Les modèles d’apprentissage automatique portent la promesse de découvrir de nouveaux composés chimiques ou matériaux pour lutter contre le réchauffement climatique », explique Barati Farimani, professeur adjoint de génie mécanique à l’université Carnegie Mellon. « Les modèles d’apprentissage automatique peuvent réaliser un criblage virtuel précis et efficace des candidats au stockage du CO2 et peuvent même générer des composés préférables qui n’existaient pas auparavant. »
Barati Farimani a fait une percée en utilisant l’apprentissage automatique pour identifier les molécules liquides ioniques. Les liquides ioniques (IL) sont des familles de sels fondus qui restent à l’état liquide à température ambiante, ont une stabilité chimique élevée et une solubilité élevée du CO2, ce qui en fait des candidats idéaux pour le stockage du CO2. La combinaison d’ions détermine en grande partie les propriétés des IL. Cependant, de telles possibilités combinatoires de cations et d’anions rendent extrêmement difficile l’épuisement de l’espace de conception des IL pour un stockage efficace du CO2 par le biais d’expériences conventionnelles.
L’apprentissage automatique est souvent utilisé dans la découverte de médicaments pour créer des empreintes digitales moléculaires parallèlement aux réseaux de neurones graphiques (GNN) qui traitent les molécules comme des graphiques et utilisent une matrice pour identifier les liaisons moléculaires et les propriétés associées. Pour la première fois, Barati Farimani a développé à la fois des modèles ML basés sur les empreintes digitales et des GNN capables de prédire l’absorption de CO2 dans les liquides ioniques.
« Notre méthode GNN atteint une précision supérieure dans la prédiction de la solubilité du CO2 dans les liquides ioniques », déclare Barati Farimani. « Contrairement aux méthodes ML précédentes qui reposent sur des fonctionnalités artisanales, GNN apprend directement les fonctionnalités à partir de graphiques moléculaires. »
Comprendre comment les modèles d’apprentissage automatique prennent des décisions est tout aussi important que les propriétés moléculaires qu’ils identifient. Cette explication fournit aux chercheurs un aperçu supplémentaire de la façon dont la structure de la molécule affecte la propriété des liquides ioniques d’un point de vue axé sur les données. Par exemple, l’équipe de Barati Farmimani a découvert que les fragments moléculaires qui interagissent physiquement avec le CO2 sont moins importants que ceux qui ont une interaction chimique. De plus, ceux qui ont moins d’hydrogène connecté à l’azote pourraient être plus favorables à formaliser une interaction chimique stable avec le CO2.
Ces conclusions, publiées dans ACS Chimie & Ingénierie Durablespermettra aux chercheurs de donner des conseils sur la conception de liquides ioniques nouveaux et efficaces pour le stockage du CO2 à l’avenir.
Plus d’information:
Yue Jian et al, Prédire l’absorption de CO2 dans les liquides ioniques avec des descripteurs moléculaires et des réseaux de neurones graphiques explicables, ACS Chimie & Ingénierie Durables (2022). DOI : 10.1021/acssuschemeng.2c05985