Argonne National Laboratory Veröffentlicht Generatives KI-Framework Zur Beschleunigung Der MOF-Innovation

Vor dem Hintergrund der rasanten industriellen Entwicklung steht die Erde vor einem ernsten und dringenden Problem: übermäßigen Kohlendioxid-Emissionen. Kohlendioxid ist wie ein unsichtbarer, dichter Kokon, der das Zuhause umhüllt, von dem das Überleben der Menschheit abhängt. Es verändert still und leise das globale Klima und führt zu einer Reihe von Kettenreaktionen, wie häufigen Wetterextremen, schweren Schäden an Ökosystemen, Behinderung der landwirtschaftlichen Produktion und Problemen für die öffentliche Gesundheit.

Als innovatives Mittel zur Reduzierung hoher Kohlendioxidemissionen ist die Innovation und Entwicklung von Technologien zur Kohlenstoffabscheidung besonders wichtig und hat zunehmende Aufmerksamkeit erfahren. Bei dieser Technologie werden physikalische oder chemische Methoden verwendet, um Kohlendioxid aus großen Emissionsquellen zu extrahieren und so zu verarbeiten, dass es nicht direkt in die Atmosphäre gelangt. Dadurch wird das Ziel der Emissionsreduzierung erreicht.

In den letzten Jahren hat ein neuer Typ poröser kristalliner Materialien namens Metal-Organic Frameworks (MOFs) aufgrund seiner einzigartigen Struktur und Eigenschaften die Aufmerksamkeit vieler Forscher auf sich gezogen. MOFs werden durch Koordinationsbindungen von Metallionen und organischen Liganden selbstorganisiert. Im Vergleich zu herkömmlichen festen Adsorbentien wie Aktivkohle und Molekularsieben sind sie umweltfreundlicher, verbrauchen weniger Energie und zeigen eine bessere Leistung bei der Kohlendioxidadsorption.

Allerdings basiert das derzeitige Produktionsdesign von MOFs üblicherweise auf einer großen Menge experimenteller Daten und Rechenarbeit, was sowohl teuer als auch zeitaufwändig ist. zu diesem Zweck,Ein Forschungsteam des Argonne National Laboratory in den USA hat ein generatives KI-Framework namens GHP-MOFsassemble vorgeschlagen.Dieses Framework kann zufällig neue MOF-Strukturen generieren und zusammensetzen, hochstabile MOF-Strukturen durch molekulardynamische Simulationen prüfen und Crystal Graph Convolutional Neural Network (CGCNN) und Grand Canonical Monte Carlo-Simulationen verwenden, um die Adsorptionskapazität von MOFs für Kohlendioxid zu testen. Die Ergebnisse zeigten, dass mit dieser Methode innerhalb von 33 Minuten 120.000 neue MOF-Kandidaten zusammengesetzt werden konnten, was die zukünftige Entwicklung des MOF-Designs erheblich förderte.

Forschungshighlights:

* Das generative KI-Framework GHP-MOFsassemble stellt in 33 Minuten 120.000 neue MOF-Kandidaten zusammen

* Dieser Ansatz kann die hohen Kosten für den Aufbau großer Datenbanken reduzieren

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

Laden Sie den Datensatz mit einem Klick herunter:

https://bit.ly/3IlrvQl
Folgen Sie dem offiziellen Konto und antworten Sie mit „MOFs“, um das vollständige PDF zu erhalten

Drei Hauptstrukturen bilden das Hochdurchsatz-Computing-Framework

Die von den Forschern vorgeschlagene GHP-MOFsassemble-Methode ist ein neuartiges Hochdurchsatz-Computing-Framework, das hauptsächlich aus drei Komponenten besteht: Dekomposition (Decompose), Generierung (Generate), Screening und Vorhersage (Screen and Predict).

Zerlegen: Zerlegen von hMOF-Datensätzen mit MMPA

Bei den für die Studie ausgewählten hMOFs handelt es sich um einen Datensatz zu Hochleistungs-Metall-organischen Gerüsten (HMF), der die Strukturinformationen zu Hochleistungs-MOFs enthält, die gescreent oder experimentell verifiziert wurden.

Im hMOFs-Datensatz treten häufig drei Arten topologischer Strukturen auf – Cu PW-pcu, Zn PW-pcu und Zn TM-pcu –, die 74% der insgesamt 102.117 hMOF-Strukturen im Datensatz ausmachen. Die Forscher wählten 78.238 MOF-Strukturdaten mit korrekt aufgelösten MOFids und gültigen SMILES-Strukturen aus.
SMILES: Vereinfachtes molekulares Eingabelinien-Eingabesystem, vereinfachte molekulare lineare Eingabespezifikation

Die Forscher wählten 540 Molekülfragmente aus, die aus der Hochleistungs-hMOF-Struktur extrahiert wurden (die letzte Spalte in der obigen Tabelle), zerlegten die 540 einzigartigen Strukturen mithilfe des Matching Molecular Pair Algorithm (MMPA) und extrahierten ihre Molekülfragmente. Neue MOF-Linker wurden mit DiffLinker generiert.

Generieren: Diffusionsmodell zum Generieren neuer MOF-Linker

Für den Generierungsteil des GHP-MOFassemble-Frameworks extrahierten die Forscher zunächst die molekularen Fragmente der oben genannten 540 einzigartigen Strukturen.Neue MOF-Linker wurden mithilfe des Diffusionsmodells DiffLinker generiert.

Während dieses Prozesses verwendeten die Forscher Openbabel, um Wasserstoffatome hinzuzufügen und Konnektoren mit falschen Wasserstoffzuweisungen zu löschen, führten einen virtuellen Atomerkennungsprozess durch, generierten Informationen, die mit Metallknoten zusammengesetzt werden konnten, und verarbeiteten sie dann durch einen Komponentenfilter, wodurch sie schließlich 12.305 Konnektoren erhielten. endlich,Drei von DiffLinker generierte Linker und ein Metallknoten, der häufig im hMOFs-Datensatz vorkommt, wurden zufällig für die Assemblierung ausgewählt.

Berichten zufolge haben Forscher auf dem Theta-Supercomputer im Argonne National Laboratory (ALCF) in 33 Minuten 120.000 neue MOFs mit PCU-Topologie erzeugt.

Screen and Predict: CGCNN-Modell testet Kohlendioxid-Adsorptionskapazität

Die Forscher führten geometrische Strukturprüfungen an den neuen MOFs durch und identifizierten innerhalb von 40 Minuten 78.796 MOFs mit effektiven Bindungslängen. Anschließend wurde eine Vorsimulationsprüfung durchgeführt und in weniger als 4 Stunden (205 Minuten) wurde festgestellt, dass 18.770 MOFs erfolgreich LAMMPS-Eingabedateien generiert hatten. Um die Anzahl der LAMMPS-Simulationen zu reduzieren, trainierten die Forscher ein CGCNN-Modell, um die Adsorptionseigenschaften von MOFs zu untersuchen.
LAMMPS: Großskaliger atomarer/molekularer massiv paralleler Simulator

Trainingsprozess des CGCNN-Modells: Die MOF-Struktur im hMOF-Datensatz und seine Kohlendioxidadsorption bei 0,1 bar werden als Eingabedaten verwendet. Der hMOF-Datensatz wurde in drei separate Datensätze aufgeteilt: 80% für das Training, 10% für die Validierung und 10% für den Test. Mit dieser Datensegmentierung wurden drei CGCNN-Modelle unter Verwendung der Methode der zufälligen Gewichtsinitialisierung trainiert.

Durch Training auf der Grundlage des CGCNN-Modells auf der NVIDIA A40 GPU sagten die Forscher die Kohlendioxid-Adsorptionskapazität der oben genannten 18.770 gescreenten MOF-Strukturen voraus und führten eine molekulardynamische Simulation an 364 MOF-Strukturen mit hoher Adsorptionsleistung durch. Der gesamte KI-Argumentationsprozess war innerhalb von 50 Minuten abgeschlossen.

Zusammenfassend lässt sich sagen, dass die Forscher auf der Grundlage des GHP-MOFsassemble-Frameworks den gesamten Prozess der Generierung neuer MOF-Strukturen und der Prüfung von Hochleistungsstrukturen innerhalb von 5 Stunden und 7 Minuten abgeschlossen haben.

Schließlich identifizierten die Forscher 102 stabile und leistungsstarke MOF-Strukturen und führten an diesen 102 MOFs Grand Canonical Monte Carlo (GCMC)-Simulationen durch.Durch Berechnung ihrer Kohlendioxid-Adsorptionskapazität bei 0,1 Bar und 300 K wurden sechs MOFs mit einer Kohlendioxid-Adsorptionskapazität von über 2 m mol g−1 gefunden. Die Kristallstrukturen dieser sechs MOFs sind wie folgt:

Experimentelles Fazit: KI-Framework kann effektive neue MOFs generieren

Die Forscher führten eine Ähnlichkeitsanalyse zwischen den auf Basis des AI-Frameworks erzeugten Liganden und den hMOFs-Liganden durch und stellten fest, dass die Ähnlichkeit zwischen den durch AI erzeugten Liganden und den Liganden in hMOFs lediglich 30%–40% betrug.Dies zeigt, dass das KI-Framework in der Lage ist, neue Liganden zu generieren.

Der hohe Ähnlichkeitspeak bei 0,4 weist auch darauf hin, dass AI Liganden erzeugen kann, die denen ähneln, die bereits in hMOFs vorhanden sind.Dies zeigt, dass die im Rahmen dieser KI generierten MOFs in der Praxis wirksam sind.

Es ist erwähnenswert, dass GHP-MOFassemble zwar erfolgreich metallorganische Gerüststrukturen mit hervorragenden Eigenschaften entdecken und verifizieren kann, aber nicht perfekt ist.Die Screening-Regeln, Simulationsbedingungen und Modellgenauigkeit des experimentellen Prozesses wirken sich auf die Genauigkeit der Ergebnisse aus. Die Leistung der von diesem KI-Framework gescreenten MOFs muss außerdem in Experimenten weiter überprüft werden.

KI dringt tief in die Kohlenstoffabscheidung ein, Nvidias Simulationsgeschwindigkeit erhöht sich um das 700.000-fache

Heute ist die Bewältigung des Klimawandels zu einer globalen Herausforderung geworden, die die gemeinsame Zukunft der gesamten Menschheit betrifft. Die chinesische Regierung legt großen Wert darauf und hat einen klaren Kurs zur Emissionsreduzierung festgelegt: Sie plant, den Höhepunkt der Kohlendioxidemissionen vor 2030 zu erreichen und strebt eine CO2-Neutralität vor 2060 an. Wenn die Visionen „CO2-Peak“ und „CO2-Neutralität“ mit der digitalen KI-Technologie kollidieren, wird dies eine Reihe künftiger Veränderungen mit sich bringen.Tatsächlich hat die künstliche Intelligenz nach Lösungen für einen niedrigen Kohlenstoffausstoß gesucht.

Microsoft hat erklärt, dassMithilfe der KI-Technologie können große Datenmengen aus unterschiedlichen Quellen zur Lösung komplexer Probleme genutzt werden. Dadurch kann die globale Produktivität verbessert und die Emissionen von Kohlendioxid und anderen Treibhausgasen reduziert werden.  Darüber hinaus hat Jin Xuan, Professor an der Universität Surrey, in seiner Forschung gezeigt, dass es mit Hilfe von KI-Modellen möglich ist, den Energieverbrauch von Kohlenstoffabscheidungsanlagen in Kohlekraftwerken um mehr als ein Drittel zu senken und die Effizienz der Kohlendioxidabscheidung um mindestens 16,71 TP3T zu steigern.

Darüber hinaus hat NVIDIA auch die Full-Stack-Open-Plattform Earth-2 veröffentlicht, die Klima- und Wettervorhersagen durch interaktive hochauflösende Simulationen beschleunigen kann. Gleichzeitig verwendet NVIDIA den Riebel-Neuraloperator und das neuronale Netzwerk-Framework NVIDIA Modulus, um die Simulationsanalysegeschwindigkeit der Kohlenstoffabscheidung und -speicherung um das 700.000-fache zu erhöhen und die Zuverlässigkeitsbewertung von Kohlendioxidfahnen und Druckansammlungen in 2,8 Sekunden abzuschließen. Diese Verbesserung bietet zweifellos technische Unterstützung für die nachfolgende Forschung zur Kohlenstoffabscheidung.

Angesichts zunehmender Umweltbelastungen und ökologischer Warnungen ist die Förderung von Durchbrüchen und Anwendungen der Kohlenstoffabscheidungstechnologie nicht mehr nur eine wissenschaftliche Angelegenheit, sondern auch eine Frage der Zeit im Hinblick auf die nachhaltige Entwicklung der Menschheit.Die Integration von KI-Technologie in den Prozess der Kohlenstoffabscheidung, insbesondere bei der Entwicklung neuer Materialien wie Metall-organischer Gerüstverbindungen (MOFs), dürfte zu einer neuen Runde wissenschaftlicher und technologischer Durchbrüche führen und dazu beitragen, die Umgestaltung des globalen Wirtschafts- und Sozialsystems in eine grünere und kohlenstoffärmere Richtung voranzutreiben.

Quellen:
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