Le Laboratoire National d'Argonne Publie Un Cadre d'IA Générative Pour Accélérer l'innovation Des MOF

Dans un contexte de développement industriel rapide, la Terre est confrontée à un problème grave et urgent : les émissions excessives de dioxyde de carbone. Le dioxyde de carbone est comme un cocon épais et invisible qui enveloppe la maison dont les êtres humains dépendent pour leur survie, modifiant silencieusement le climat mondial et provoquant une série de réactions en chaîne telles que des phénomènes météorologiques extrêmes fréquents, de graves dommages aux écosystèmes, une production agricole entravée et des problèmes de santé publique.

En tant que moyen de pointe pour résoudre le problème des émissions élevées de dioxyde de carbone, l’innovation et le développement de la technologie de capture du carbone sont particulièrement importants et ont reçu une attention plus large. Cette technologie utilise des méthodes physiques ou chimiques pour extraire le dioxyde de carbone des grandes sources d’émission et le traiter pour l’empêcher de pénétrer directement dans l’atmosphère, atteignant ainsi l’objectif de réduction des émissions.

Ces dernières années, un nouveau type de matériau cristallin poreux appelé Metal-Organic Frameworks (MOF) a attiré l’attention de nombreux chercheurs en raison de sa structure et de ses propriétés uniques. Les MOF sont auto-assemblés par des ions métalliques et des ligands organiques via des liaisons de coordination. Comparés aux adsorbants solides traditionnels tels que le charbon actif et les tamis moléculaires, ils sont plus respectueux de l'environnement, consomment moins d'énergie et présentent de meilleures performances en matière d'adsorption du dioxyde de carbone.

Cependant, la conception actuelle de la production de MOF repose généralement sur une grande quantité de données expérimentales et de travail de calcul, ce qui est à la fois coûteux et chronophage. à cette fin,**Une équipe de recherche du laboratoire national d'Argonne aux États-Unis a proposé un cadre d'IA générative GHP-MOFsassemble.**Ce cadre peut générer et assembler de manière aléatoire de nouvelles structures MOF, filtrer des structures MOF hautement stables via des simulations de dynamique moléculaire et utiliser des simulations de réseau neuronal convolutionnel Crystal Graph (CGCNN) et de Monte Carlo Grand Canonical pour tester la capacité d'adsorption des MOF pour le dioxyde de carbone. Les résultats ont montré que cette méthode a rapidement assemblé 120 000 nouveaux MOF candidats en 33 minutes, favorisant grandement le développement futur de la conception des MOF.

Points saillants de la recherche :

* Le framework d'IA générative GHP-MOFsassemble assemble rapidement 120 000 nouveaux MOF candidats en 33 minutes

* Cette approche peut réduire le coût élevé de la création de grandes bases de données

Adresse du document : https://www.nature.com/articles/s42004\-023\-01090\-2

Téléchargez le jeu de données en un clic :

https://bit.ly/3IlrvQl
Suivez le compte officiel et répondez « MOFs » pour obtenir le PDF complet

Trois structures principales forment le cadre du calcul à haut débit

La méthode GHP-MOFsassemble proposée par les chercheurs est un nouveau type de cadre de calcul à haut débit, qui se compose principalement de trois composants : la décomposition (Decompose), la génération (Generate), le criblage et la prédiction (Screen and Predict).

Décomposer : Décomposer des ensembles de données hMOF à l'aide de MMPA

Les hMOF sélectionnés pour l'étude sont un ensemble de données liées à la structure organométallique (HMF) haute performance, qui contient les informations structurelles des MOF haute performance qui ont été examinés ou vérifiés expérimentalement.

Dans l'ensemble de données hMOF, trois types de structures topologiques (Cu PW-pcu, Zn PW-pcu et Zn TM-pcu) apparaissent fréquemment, représentant 74% sur un total de 102 117 structures hMOF dans l'ensemble de données. Les chercheurs ont sélectionné 78 238 données structurelles MOF avec des MOFids correctement résolus et des structures SMILES valides. SMILES : Système d'entrée de ligne d'entrée moléculaire simplifié, spécification d'entrée linéaire moléculaire simplifiée

Les chercheurs ont sélectionné 540 fragments moléculaires extraits de la structure hMOF haute performance (la dernière colonne du tableau ci-dessus), ont décomposé les 540 structures uniques grâce à l'algorithme de correspondance de paires moléculaires (MMPA) et ont extrait leurs fragments moléculaires. De nouveaux linkers MOF ont été générés à l'aide de DiffLinker.

Générer : Modèle de diffusion pour générer de nouveaux linkers MOF

Pour la partie génération du framework GHP-MOFassemble, les chercheurs ont d'abord extrait les fragments moléculaires des 540 structures uniques ci-dessus.De nouveaux lieurs MOF ont été générés à l'aide du modèle de diffusion DiffLinker.

Au cours de ce processus, les chercheurs ont utilisé openbabel pour ajouter des atomes d'hydrogène et supprimer des connecteurs avec des attributions d'hydrogène incorrectes, ont effectué un processus de reconnaissance d'atomes virtuels, ont généré des informations qui pouvaient être assemblées avec des nœuds métalliques, puis les ont traitées via un filtre de composants, obtenant finalement 12 305 connecteurs. enfin,Trois lieurs générés par DiffLinker et un nœud métallique qui apparaît fréquemment dans l'ensemble de données hMOFs ont été sélectionnés au hasard pour l'assemblage.

Il est rapporté que les chercheurs ont généré 120 000 nouveaux MOF avec une topologie PCU en 33 minutes sur le supercalculateur Theta du laboratoire national d'Argonne (ALCF).

Écran et prédiction : le modèle CGCNN teste la capacité d'adsorption du dioxyde de carbone

Les chercheurs ont effectué des contrôles structurels géométriques sur les nouveaux MOF et ont identifié 78 796 MOF avec des longueurs de liaison efficaces en 40 minutes. Une vérification de pré-simulation a ensuite été effectuée et, en moins de 4 heures (205 minutes), il a été déterminé que 18 770 MOF avaient généré avec succès des fichiers d'entrée LAMMPS. Pour réduire le nombre de simulations LAMMPS, les chercheurs ont formé un modèle CGCNN pour filtrer les propriétés d'adsorption des MOF. LAMMPS : Simulateur atomique/moléculaire massivement parallèle à grande échelle

Processus de formation du modèle CGCNN : la structure des MOF dans l'ensemble de données hMOF et son adsorption de dioxyde de carbone à 0,1 bar sont utilisées comme données d'entrée. L'ensemble de données hMOF a été divisé en trois ensembles de données distincts : 80% pour la formation, 10% pour la validation et 10% pour les tests. Avec cette segmentation des données, trois modèles CGCNN ont été formés à l’aide de la méthode d’initialisation de poids aléatoire.

En s'entraînant sur la base du modèle CGCNN sur le GPU NVIDIA A40, les chercheurs ont prédit la capacité d'adsorption du dioxyde de carbone des 18 770 structures MOF criblées mentionnées ci-dessus et ont effectué une simulation de dynamique moléculaire sur 364 structures MOF avec des performances d'adsorption élevées. L’ensemble du processus de raisonnement de l’IA a été réalisé en 50 minutes.

En résumé, sur la base du cadre GHP-MOFsassemble, les chercheurs ont achevé l'ensemble du processus de génération de nouvelles structures MOF et de sélection de structures hautes performances en 5 heures et 7 minutes.

**Enfin, les chercheurs ont identifié 102 structures MOF stables et performantes et ont effectué des simulations Grand Canonical Monte Carlo (GCMC) sur ces 102 MOF.**En calculant leur capacité d'adsorption de dioxyde de carbone à 0,1 bar et 300 K, six MOF avec une capacité d'adsorption de dioxyde de carbone supérieure à 2 m mol g−1 ont été trouvés. Les structures cristallines de ces six MOF sont les suivantes :

Conclusion expérimentale : le cadre de l’IA peut générer de nouveaux MOF efficaces

Les chercheurs ont mené une analyse de similarité entre les ligands générés sur la base du cadre d'IA et les ligands hMOF et ont constaté que la similarité entre les ligands générés par l'IA et les ligands dans les hMOF n'était que de 30%-40%.Cela montre que le framework d’IA est capable de générer de nouveaux ligands.

Le pic de similarité élevé à 0,4 indique également que l'IA peut générer des ligands similaires à ceux déjà présents dans les hMOF.Cela montre que les MOF générés dans ce cadre d’IA sont pratiquement efficaces.

Il convient de mentionner que même si GHP-MOFassemble peut découvrir et vérifier avec succès des structures de charpente organométallique avec d'excellentes propriétés, il n'est pas parfait.Les règles de sélection, les conditions de simulation et la précision du modèle du processus expérimental affecteront la précision des résultats. Les performances des MOF sélectionnés par ce cadre d’IA doivent également être vérifiées plus en détail dans le cadre d’expériences.

L'IA s'attaque en profondeur à la capture du carbone, la vitesse de simulation de Nvidia est multipliée par 700 000

Aujourd’hui, répondre au changement climatique est devenu un défi mondial qui concerne l’avenir commun de toute l’humanité. Le gouvernement chinois attache une grande importance à cela et a défini une trajectoire claire de réduction des émissions : il prévoit d'atteindre un pic d'émissions de dioxyde de carbone avant 2030 et s'efforce d'atteindre la neutralité carbone avant 2060. Lorsque les visions du « pic carbone » et de la « neutralité carbone » entreront en collision avec la technologie numérique de l'IA, cela donnera lieu à une série de changements futurs.En fait, l’intelligence artificielle cherche des solutions pour réduire les émissions de carbone.

Microsoft a déclaré que**La technologie de l’IA peut utiliser de grandes quantités de données provenant de différentes sources pour résoudre des problèmes complexes, contribuant ainsi à améliorer la productivité mondiale et à jouer un rôle dans la réduction des émissions de dioxyde de carbone et d’autres gaz à effet de serre.**De plus, Jin Xuan, professeur à l'Université de Surrey, a également montré dans ses recherches qu'avec l'aide de modèles d'IA, il est possible de réduire la consommation d'énergie des installations de capture du carbone dans les centrales électriques au charbon de plus d'un tiers et d'augmenter l'efficacité de capture du dioxyde de carbone d'au moins 16,7%.

En outre, NVIDIA a également lancé la plate-forme ouverte complète Earth-2, qui peut accélérer les prévisions climatiques et météorologiques grâce à des simulations interactives haute résolution. Dans le même temps, NVIDIA utilise l'opérateur neuronal Riebel et le cadre de réseau neuronal NVIDIA Modulus pour augmenter la vitesse d'analyse de simulation de la capture et du stockage du carbone de 700 000 fois, complétant l'évaluation de la fiabilité des panaches de dioxyde de carbone et de l'accumulation de pression en 2,8 secondes. Cette amélioration apporte sans aucun doute un soutien technique aux recherches ultérieures sur la capture du carbone.

Face à des pressions environnementales et des avertissements écologiques de plus en plus sévères, promouvoir les avancées et les applications de la technologie de capture du carbone n’est plus seulement une proposition scientifique, mais aussi un enjeu d’actualité concernant le développement durable de l’humanité.L’intégration de la technologie de l’IA dans le processus de capture du carbone, en particulier dans la conception de nouveaux matériaux tels que les structures organométalliques (MOF), devrait entraîner une nouvelle série de percées scientifiques et technologiques et contribuer à promouvoir la transformation du système économique et social mondial vers une direction plus verte et à faible émission de carbone.

Références :
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