机器学习分析可以帮助减少碳排放

编辑 | KING

由斯托尼·布鲁克（Stony Brook）的阿纳托利·弗伦克（Anatoly Frenkel）领导的一组科学家研究出一种可以帮助减少碳排放的新方法，即利用人工智能（AI）促进二氧化碳（CO2）转化为甲烷的方法。

通过使用这种方法跟踪真实反应条件下催化颗粒的尺寸、结构和化学性质，科学家们可以识别出哪些特性与最佳催化性能相对应，然后利用这些信息来指导更高效催化剂的设计。

Frenkel说道：“把二氧化碳转化为甲烷的同时，我们还创造了一种可持续的非化石燃料能源，不仅能够减少碳排放而且易于存储和运输。”

Frenkel的小组一直在开发一种机器学习方法，以从化学物质的转化过程中收集催化剂X射线的特征来提取催化性质。基于在DOE国家实验室收集的X射线数据，他们在《化学物理学杂志》上发表的一篇论文中描述了这一成果。

现在J.Heyrovský物理化学研究所高级化学家Stefan Vajda的团队进行了一组试验。他们在Argonne的高级光子源（APS）上使用质谱和X射线研究了各种尺寸的团簇如何在反应中进行，以及它们在二氧化碳与氢气反应过程中的氧化态如何演化。

某些氧化物可能会增强反应性，有些可能会阻止反应。为了了解催化剂的工作原理，科学家们需要知道在反应过程中会形成哪种类型的氧化物，以及它们如何影响催化性能。

铜已被证明是可以降低二氧化碳与甲烷反应温度的催化剂。各种尺寸的铜团簇也可以帮助有效地将反应驱动至所需的结果（选择性地仅产生甲烷和水蒸汽），而无需沿各种途径将反应物引导至其他产物。

Frenkel说：“从广义上讲，实施这一想法面临两个主要挑战。首先是对准备好的集群的结构缺乏了解；它们越小，即使在每个簇中原子数相同时，形状和结构的变化也可能越大。“第二，即使我们以一定大小和形状的簇开始反应，它们在反应过程中也可能转变为无法识别的各种形式的氧化物，”

事实证明，铜催化剂的最具催化活性的状态是金属簇（其中铜仅与其他铜原子键合）和两种不同的铜氧化物（CuO和Cu2O）的混合物。Frenkel小组正在继续他们的分析，以了解有关催化机制的更多信息，并将在将来发布其结果。

END

据说在看的没有BUG