مختبر أرجون الوطني يصدر إطار عمل للذكاء الاصطناعي التوليدي لتسريع ابتكار الأطر العضوية المعدنية

في ظل التطور الصناعي السريع، تواجه الأرض مشكلة خطيرة وملحة: الانبعاثات المفرطة من ثاني أكسيد الكربون. إن ثاني أكسيد الكربون يشبه شرنقة سميكة غير مرئية تلتف حول المنزل الذي يعتمد عليه البشر من أجل البقاء، ويغير المناخ العالمي بهدوء ويؤدي إلى سلسلة من التفاعلات المتسلسلة مثل الطقس المتطرف المتكرر، والأضرار الشديدة التي تلحق بالنظم البيئية، وعرقلة الإنتاج الزراعي، والتحديات الصحية العامة.

وباعتبارها وسيلة متطورة لحل مشكلة انبعاثات ثاني أكسيد الكربون المرتفعة، فإن الابتكار والتطوير في تكنولوجيا احتجاز الكربون له أهمية خاصة وقد حظي باهتمام واسع النطاق. تعتمد هذه التقنية على استخدام أساليب فيزيائية أو كيميائية لاستخراج ثاني أكسيد الكربون من مصادر الانبعاثات الكبيرة ومعالجته لمنع دخوله إلى الغلاف الجوي بشكل مباشر، وبالتالي تحقيق غرض خفض الانبعاثات.

في السنوات الأخيرة، جذب نوع جديد من المواد البلورية المسامية يسمى الأطر المعدنية العضوية (MOFs) اهتمامًا واسع النطاق من قبل العديد من الباحثين بسبب بنيته وخصائصه الفريدة. يتم تجميع MOFs ذاتيًا بواسطة أيونات معدنية وربيطات عضوية من خلال الروابط التنسيقية. وبالمقارنة مع المواد الماصة الصلبة التقليدية مثل الكربون المنشط والغربال الجزيئي، فهي أكثر ملاءمة للبيئة، وتستهلك طاقة أقل، وتظهر أداءً أفضل في امتصاص ثاني أكسيد الكربون.

ومع ذلك، فإن تصميم الإنتاج الحالي للأطر العضوية المعدنية يعتمد عادة على كمية كبيرة من البيانات التجريبية والعمل الحسابي، وهو أمر مكلف ويستغرق وقتا طويلا. تحقيقا لهذه الغاية،اقترح فريق بحثي من مختبر أرجون الوطني في الولايات المتحدة إطار عمل توليدي للذكاء الاصطناعي يسمى GHP-MOFsassemble.يمكن لهذا الإطار إنشاء وتجميع هياكل MOFs جديدة بشكل عشوائي، وفحص هياكل MOFs شديدة الاستقرار من خلال محاكاة الديناميكيات الجزيئية، واستخدام الشبكة العصبية التلافيفية البلورية (CGCNN) ومحاكاة Grand Canonical Monte Carlo لاختبار قدرة MOFs على امتصاص ثاني أكسيد الكربون. وأظهرت النتائج أن هذه الطريقة نجحت في تجميع 120 ألف مرشح جديد من أطر المعادن العضوية خلال 33 دقيقة، مما ساهم بشكل كبير في تعزيز التطوير المستقبلي لتصميم أطر المعادن العضوية.

أبرز الأبحاث:

* إطار عمل الذكاء الاصطناعي التوليدي GHP-MOFsassemble يجمع بسرعة 120 ألف MOF مرشح جديد في 33 دقيقة

* يمكن أن يؤدي هذا النهج إلى تقليل التكلفة العالية لبناء قواعد البيانات الكبيرة

عنوان الورقة:
https://www.nature.com/articles/s42004-023-01090-2

تنزيل مجموعة البيانات بنقرة واحدة:

https://bit.ly/3IlrvQl
اتبع الحساب الرسمي ورد "MOFs" للحصول على ملف PDF كامل

تشكل ثلاثة هياكل رئيسية إطار عمل الحوسبة عالية الإنتاجية

طريقة تجميع GHP-MOFs التي اقترحها الباحثون هي نوع جديد من إطار عمل الحوسبة عالية الإنتاجية، والذي يتكون بشكل أساسي من ثلاثة مكونات: التحلل (Decompose)، والتوليد (Generate)، والفحص والتنبؤ (Screen and Predict).

التحلل: تحليل مجموعات بيانات hMOFs باستخدام MMPA

تم اختيار hMOFs للدراسة وهي عبارة عن مجموعة بيانات ذات صلة بإطار معدني عضوي عالي الأداء (HMF)، والتي تحتوي على المعلومات البنيوية لـ MOFs عالية الأداء التي تم فحصها أو التحقق منها تجريبياً.

في مجموعة بيانات hMOFs، تظهر ثلاثة أنواع من الهياكل الطوبولوجية - Cu PW-pcu، وZn PW-pcu، وZn TM-pcu - بشكل متكرر، وتمثل 74% من إجمالي 102,117 بنية hMOF في مجموعة البيانات. قام الباحثون باختيار 78238 من بيانات هيكلية MOF مع MOFids المحلولة بشكل صحيح وهياكل SMILES صالحة.
SMILES: نظام إدخال خطي جزيئي مبسط، مواصفات إدخال خطي جزيئي مبسط

قام الباحثون باختيار 540 قطعة جزيئية مستخرجة من بنية hMOF عالية الأداء (العمود الأخير في الجدول أعلاه)، وقاموا بتحليل الهياكل الفريدة البالغ عددها 540 من خلال خوارزمية مطابقة الزوج الجزيئي (MMPA)، واستخرجوا قطعها الجزيئية. تم إنشاء روابط MOFs جديدة باستخدام DiffLinker.

إنشاء: نموذج الانتشار لتوليد روابط MOFs جديدة

بالنسبة للجزء الخاص بتوليد إطار عمل GHP-MOFassemble، قام الباحثون أولاً باستخراج الأجزاء الجزيئية من الهياكل الفريدة المذكورة أعلاه والتي يبلغ عددها 540.تم إنشاء روابط MOFs جديدة باستخدام نموذج الانتشار DiffLinker.

خلال هذه العملية، استخدم الباحثون openbabel لإضافة ذرات الهيدروجين وحذف الموصلات ذات تعيينات الهيدروجين غير الصحيحة، وأجروا عملية التعرف على الذرات الافتراضية، وتوليد المعلومات التي يمكن تجميعها باستخدام العقد المعدنية، ثم معالجتها من خلال مرشح المكونات، وحصلوا في النهاية على 12305 موصلًا. أخيرا،تم اختيار ثلاثة روابط تم إنشاؤها بواسطة DiffLinker وعقدة معدنية تظهر بشكل متكرر في مجموعة بيانات hMOFs بشكل عشوائي للتجميع.

وتشير التقارير إلى أن الباحثين تمكنوا من توليد 120 ألف إطار عضوي معدني جديد باستخدام طوبولوجيا وحدة التحكم في الطور (PCU) في 33 دقيقة على الحاسوب العملاق Theta في مختبر أرجون الوطني (ALCF).

الفحص والتنبؤ: نموذج CGCNN يختبر قدرة امتصاص ثاني أكسيد الكربون

أجرى الباحثون فحوصات هيكلية هندسية على الأطر العضوية المعدنية الجديدة وحددوا 78796 من الأطر العضوية المعدنية بأطوال روابط فعالة في غضون 40 دقيقة. تم بعد ذلك إجراء فحص محاكاة مسبق، وفي أقل من 4 ساعات (205 دقيقة) تم تحديد أن 18770 MOFs قد نجحت في توليد ملفات إدخال LAMMPS. لتقليل عدد عمليات محاكاة LAMMPS، قام الباحثون بتدريب نموذج CGCNN لفحص خصائص الامتصاص الخاصة بـ MOFs.
LAMMPS: مُحاكي ذري/جزيئي ضخم متوازي على نطاق واسع

عملية تدريب نموذج CGCNN: يتم استخدام بنية MOFs في مجموعة بيانات hMOF وامتصاص ثاني أكسيد الكربون عند 0.1 بار كبيانات إدخال. تم تقسيم مجموعة بيانات hMOF إلى ثلاث مجموعات بيانات منفصلة: 80% للتدريب، و10% للتحقق، و10% للاختبار. باستخدام تقسيم البيانات هذا، تم تدريب ثلاثة نماذج CGCNN باستخدام طريقة تهيئة الوزن العشوائي.

من خلال التدريب المبني على نموذج CGCNN على وحدة معالجة الرسوميات NVIDIA A40، توقع الباحثون قدرة امتصاص ثاني أكسيد الكربون لهياكل MOFs التي تم فحصها والتي يبلغ عددها 18770 والتي تم ذكرها أعلاه، وأجروا محاكاة ديناميكية جزيئية على 364 هيكل MOFs ذات أداء امتصاص عالي. تم إكمال عملية التفكير بالذكاء الاصطناعي بأكملها في غضون 50 دقيقة.

باختصار، واستنادًا إلى إطار عمل GHP-MOFsassemble، أكمل الباحثون العملية برمتها لتوليد هياكل MOFs جديدة وفحص الهياكل عالية الأداء في غضون 5 ساعات و7 دقائق.

وأخيرًا، حدد الباحثون 102 بنية من الهياكل العضوية المعدنية المستقرة وعالية الأداء وأجروا محاكاة مونت كارلو الكبرى (GCMC) على هذه الهياكل الـ102.من خلال حساب قدرتها على امتصاص ثاني أكسيد الكربون عند 0.1 بار و300 كلفن، تم العثور على ستة أطر عضوية معدنية ذات قدرة على امتصاص ثاني أكسيد الكربون أعلى من 2 مول/جم-1. البنية البلورية لهذه الأطر العضوية المعدنية الستة هي كما يلي:

الاستنتاج التجريبي: يمكن لإطار عمل الذكاء الاصطناعي توليد أطر معدنية عضوية جديدة فعالة

أجرى الباحثون تحليل التشابه بين الربيطة المولدة على أساس إطار عمل AI وربيطة hMOFs ووجدوا أن التشابه بين الربيطة المولدة بواسطة AI والربيطة في hMOFs كان 30%-40% فقط.وهذا يوضح أن إطار عمل الذكاء الاصطناعي قادر على توليد روابط جديدة.

تشير ذروة التشابه العالية عند 0.4 أيضًا إلى أن الذكاء الاصطناعي يمكن أن يولد ربيطات مماثلة لتلك الموجودة بالفعل في hMOFs.وهذا يوضح أن الأطر العضوية المعدنية التي تم إنشاؤها في إطار الذكاء الاصطناعي هذا فعالة عمليًا.

ومن الجدير بالذكر أنه على الرغم من أن GHP-MOFassemble يمكنه بنجاح اكتشاف والتحقق من الهياكل الإطارية المعدنية العضوية ذات الخصائص الممتازة، إلا أنه ليس مثاليًا.ستؤثر قواعد الفحص وظروف المحاكاة ودقة النموذج للعملية التجريبية على دقة النتائج. يجب أيضًا التحقق بشكل أكبر من أداء MOFs التي تم فحصها بواسطة إطار الذكاء الاصطناعي هذا في التجارب.

الذكاء الاصطناعي يتعمق في احتجاز الكربون، وسرعة محاكاة إنفيديا تزيد 700 ألف مرة

لقد أصبح الاستجابة لتغير المناخ اليوم تحديًا عالميًا يؤثر على المستقبل المشترك للبشرية جمعاء. تولي الحكومة الصينية أهمية كبيرة لهذا الأمر، وقد وضعت مسارًا واضحًا لخفض الانبعاثات: فهي تخطط لبلوغ ذروة انبعاثات ثاني أكسيد الكربون قبل عام 2030، وتسعى جاهدة لتحقيق الحياد الكربوني قبل عام 2060. وعندما تصطدم رؤى "ذروة الكربون" و"الحياد الكربوني" بتكنولوجيا الذكاء الاصطناعي الرقمية، سيؤدي ذلك إلى سلسلة من التغييرات المستقبلية.في الواقع، كان الذكاء الاصطناعي يبحث عن حلول لخفض الكربون.

صرحت شركة مايكروسوفت أنيمكن لتكنولوجيا الذكاء الاصطناعي استخدام كميات كبيرة من البيانات من مصادر مختلفة لحل المشكلات المعقدة، وبالتالي المساعدة في تحسين الإنتاجية العالمية ولعب دور في الحد من انبعاثات ثاني أكسيد الكربون وغيره من الغازات المسببة للاحتباس الحراري.  بالإضافة إلى ذلك، أظهر جين شوان، أستاذ في جامعة سري، في بحثه أيضًا أنه بمساعدة نماذج الذكاء الاصطناعي، من الممكن تقليل استهلاك الطاقة في مرافق احتجاز الكربون في محطات الطاقة التي تعمل بالفحم بأكثر من الثلث وزيادة كفاءة احتجاز ثاني أكسيد الكربون بما لا يقل عن 16.7%.

بالإضافة إلى ذلك، أطلقت NVIDIA أيضًا منصة Earth-2 المفتوحة ذات الحزمة الكاملة، والتي يمكنها تسريع التنبؤ بالمناخ والطقس من خلال عمليات محاكاة تفاعلية عالية الدقة. وفي الوقت نفسه، تستخدم NVIDIA مشغل Riebel العصبي وإطار الشبكة العصبية NVIDIA Modulus لزيادة سرعة تحليل محاكاة التقاط الكربون وتخزينه بمقدار 700000 مرة، وإكمال تقييم موثوقية سحب ثاني أكسيد الكربون وتراكم الضغط في 2.8 ثانية. ولا شك أن هذا التحسين يوفر الدعم الفني لأبحاث احتجاز الكربون اللاحقة.

وفي مواجهة الضغوط البيئية المتزايدة والتحذيرات البيئية، لم يعد تعزيز الاختراقات وتطبيقات تكنولوجيا احتجاز الكربون مجرد اقتراح علمي، بل أصبح أيضا قضية من قضايا العصر فيما يتصل بالتنمية المستدامة للبشرية.ومن المتوقع أن يؤدي دمج تكنولوجيا الذكاء الاصطناعي في عملية التقاط الكربون، وخاصة في تصميم مواد جديدة مثل الأطر العضوية المعدنية (MOFs)، إلى جولة جديدة من الاختراقات العلمية والتكنولوجية، والمساعدة في تعزيز تحول النظام الاقتصادي والاجتماعي العالمي نحو اتجاه أكثر خضرة ومنخفض الكربون.

مراجع:
1. https: www.ambchina.com
2.https:www.nvidia.cn/high-performance-computing/earth-2/
3.http://www.tanpaifang.com/CCUS/202307/1198593.html
4.http://m.xinhuanet.com/tech/2021-04/01/c_1127280796.htm