هوش مصنوعی کمک می کند تا محققان تا چرخه زباله های کربن

واشنگتن دی سی: در دستیابی به موفقیت در مطالعه محققان با استفاده از هوش مصنوعی (AI) برای سرعت بخشیدن به پیشرفت در تبدیل زباله های کربن به صورت تجاری محصول با ارزش با رکورد بهره وری.

مطالعه led توسط محققان در دانشگاه تورنتو و مهندسی دانشگاه کارنگی ملون بود در مجله Nature منتشر شده. محققان هوش مصنوعی قوی تر برای سرعت بخشیدن به جستجو برای کلید مواد در یک کاتالیزور جدید که تبدیل دی اکسید کربن (CO2) به اتیلن — شیمیایی پیشرو به طیف گسترده ای از محصولات از پلاستیک و به ظرف مواد شوینده.

نتیجه electrocatalyst کارآمد ترین در کلاس خود است. اگر اجرا با استفاده از باد انرژی خورشیدی یا سیستم نیز فراهم می کند یک راه کارآمد برای ذخیره برق از این تجدید پذیر اما متناوب منابع.

“با استفاده از برق پاک به تبدیل CO2 به اتیلن است که 60 میلیارد تومان بازارهای جهانی می تواند به بهبود اقتصاد از هر دو کربن جذب و انرژی پاک سازی می گوید:” استاد تد سارجنت ،

سارجنت و تیم او در حال حاضر تعدادی از جهان پیشرو کاتالیزور برای کاهش هزینه انرژی از واکنش که تبدیل CO2 به اتیلن و دیگر مولکول های مبتنی بر کربن. اما حتی بهتر از آنهایی که ممکن است در خارج وجود دارد و با میلیون ها نفر از پتانسیل مواد ترکیبی را انتخاب کنید از تست همه آنها خواهد بود نامیم وقت گیر است.

این تیم نشان داد که یادگیری ماشین می تواند سرعت بخشیدن به جستجو. با استفاده از مدل های کامپیوتری و نظری داده ها الگوریتم می توانید بازی شیر یا خط از بدترین گزینه ها و نقطه راه به سوی امیدوار کننده تر از نامزدها.

با استفاده از هوش مصنوعی به جستجو برای انرژی پاک از مواد پیشرفته در سال 2017 کارگاه آموزشی برگزار شده توسط سارجنت در همکاری با کانادا موسسه تحقیقاتی پیشرفته (CIFAR). ایده این بود که بیشتر شفافی در طبیعت و تفسیر مقاله منتشر شده بعد از آن سال.

استاد زکریا Ulissi از دانشگاه کارنگی ملون یکی از دعوت محققان در کارگاه اصلی. گروه خود را متخصص در مدل کامپیوتری از نانومواد.

“با دیگر واکنش های شیمیایی ما بزرگ و خوبی تاسیس آزمایشگاه مثال پتانسیل کاتالیزور مواد و خواص آنها می گوید:” Ulissi.

“با CO2 به اتیلن تبدیل کنیم لازم نیست که بنابراین ما نمی توانیم با استفاده از نیروی بی رحم به مدل همه چیز. گروه ما زمان زیادی را صرف فکر کردن در مورد راه های خلاق برای یافتن جالب ترین مواد است.”

الگوریتم ایجاد شده توسط Ulissi و تیم خود را با استفاده از ترکیبی از یادگیری ماشین مدل و آموزشی فعال به طور گسترده پیش بینی چه نوع از محصولات داده کاتالیزور است به احتمال زیاد به تولید حتی بدون جزئیات مدل سازی از مواد خود را.

آنها اعمال این الگوریتم برای CO2 کاهش به صفحه نمایش بیش از 240 مواد مختلف کشف 4 وعده نامزد بودند که پیش بینی شده به خواص مطلوب بیش از یک طیف بسیار گسترده ای از ترکیبات و ساختارهای سطحی.

در مقاله نویسندگان توصیف بهترین خود را انجام کاتالیزور مواد آلیاژ مس و آلومینیوم. پس از دو فلز بودند پیوند در درجه حرارت بالا برخی از آلومینیوم بود و سپس اچ دور و در نتیجه یک نانو ساختار متخلخل که سارجنت به عنوان توصیف “کرکی.”

جدید کاتالیست شد و سپس آزمایش در یک دستگاه به نام electrolyzer که در آن “faradaic بهره وری” — نسبت جریان الکتریکی است که می رود به ساخت محصول مورد نظر — اندازه گیری شد و در 80% یک رکورد جدید برای این واکنش است.

سارجنت می گوید: هزینه انرژی را باید کاهش داد و هنوز هم بیشتر اگر سیستم برای تولید اتیلن است که هزینه رقابتی که حاصل از سوخت های فسیلی است. تحقیقات آینده را در کاهش تمرکز کلی ولتاژ مورد نیاز برای واکنش و همچنین کاهش بیشتر نسبت جانبی محصولات که هزینه جداگانه.

جدید کاتالیست یکی از اولین برای CO2 به اتیلن تبدیل شده است طراحی شده است در بخشی از طریق استفاده از هوش مصنوعی. همچنین این اولین تجربی تظاهرات فعال یادگیری روش Ulissi در حال توسعه شده است. آن عملکرد قوی تایید اثربخشی این استراتژی و نشانه خوبی برای آینده همکاری از این طبیعت است.

“راه های بسیاری وجود دارد که مس و آلومینیوم می تواند ترتیب خود را دارند اما آنچه که محاسبات نشان می دهد که تقریبا همه آنها پیش بینی می تواند مفید باشد در برخی از راه و می گوید:” Sargent. “بنابراین به جای تلاش در مواد مختلف هنگامی که ما برای اولین بار آزمایش کار نمی کند ما همچنان ادامه داشت چرا که ما می دانستیم که چیزی وجود دارد به ارزش سرمایه گذاری.”

منبع: ANI


دریافت آخرین به روز رسانی در شهرستان حیدرآباد, اخبار, تکنولوژی, سرگرمی, ورزش, سیاست و داستان بالا در WhatsApp & Telegram با عضویت در کانال ما. شما همچنین می توانید با ما دانلود نرم افزار برای اندروید و iOS.


tinyurlis.gdu.nuulvis.netshrtco.de