HyperAI超神経

急速な工業化の中で、地球は過剰な二酸化炭素の排出という深刻かつ緊急の問題に直面しています。二酸化炭素は、人類が生存のために依存する故郷を包み込む目に見えない厚い繭のようなもので、地球の気候を静かに変化させ、また、頻繁な異常気象、生態系への深刻な被害、農業生産の阻害、公衆衛生上の一連の課題をもたらします。連鎖反応。

多量の二酸化炭素排出を解決するための最先端の手段として、二酸化炭素回収技術の革新と開発は特に重要であり、より広範な注目を集めています。この技術は、物理的または化学的方法を使用して、大規模な排出源から二酸化炭素を抽出し、それを処理して、二酸化炭素が直接大気中に入るのを防ぎ、それによって排出量を削減するという目的を達成します。

近年、金属有機フレームワーク（MOF）と呼ばれる新しいタイプの多孔質結晶材料が、その独特な構造と特性により多くの研究者から広く注目を集めています。 MOF は、金属イオンと有機リガンドによって配位結合によって自己組織化され、活性炭やモレキュラーシーブなどの従来の固体吸着剤と比較して、より環境に優しく、エネルギー消費が少なく、二酸化炭素吸着において優れた性能を発揮します。

ただし、MOF の現在の製造設計は通常、大量の実験データと計算作業に依存しており、費用と時間がかかります。この目的を達成するために、米国のアルゴンヌ国立研究所の研究チームは、生成AIフレームワークGHP-MOFsassembleを提案した。このフレームワークは、新しい MOF 構造をランダムに生成して組み立て、分子動力学シミュレーションを通じて安定性の高い MOF 構造をスクリーニングし、Crystal Graph Convolutional Neural Network (CGCNN) およびグランドカノニカルモンテカルロシミュレーションを使用して、二酸化炭素吸着能力に対する MOF の影響をテストできます。結果は、この方法が 33 分で 120,000 個の新しい候補 MOF を迅速に組み立て、これが将来の MOF 設計の開発を大きく促進することを示しました。

研究のハイライト:

* 生成 AI フレームワーク GHP-MOFsassemble は、33 分で 120,000 の新しい候補 MOF を迅速に組み立てます

* この方法により、大規模なデータベースの構築にかかる高額なコストを削減できます。

用紙のアドレス: https://www.nature.com/articles/s42004\-023\-01090\-2

ワンクリックでデータセットをダウンロードします。

https://bit.ly/3IlrvQl
公式アカウントをフォローし、バックグラウンドで「MOF」に返信すると、完全な PDF が表示されます

高スループットコンピューティングフレームワークを形成する 3 つの主要な構造

研究者らによって提案された GHP-MOFsassemble 手法は、主に分解、生成、スクリーニング、予測の 3 つのコンポーネントで構成される新しい高スループットコンピューティングフレームワークです。

分解: MMPA を使用して hMOF データセットを分解します。

研究のために選択された hMOF は、スクリーニングまたは実験的に検証された高性能 MOF の構造情報を含む、高性能金属有機フレームワークの関連データセットです。

Znテトラマー-PCU MOFの分解ステップ炭素は灰色、酸素は赤色、窒素は青色、水素は白色です。

hMOFs データセットでは、Cu PW-pcu、Zn PW-pcu、Zn TM-pcu の 3 種類のトポロジー構造が頻繁に発生し、これら 3 種類の構造がデータセット総数の 74%、合計 102,117 を占めました。 hMOF構造。研究者らは、正しく解決された MOFid と有効な SMILES 構造を含む合計 78,238 個の MOF 構造データを選択しました。 SMILES: 簡易分子入力ライン入力システム、簡易分子リニア入力仕様

研究者らは、高性能 hMOF 構造 (上の表の最後の列) から抽出された 540 個の分子フラグメントを選択し、マッチング分子ペアアルゴリズム (MMPA) を通じて 540 個の固有の構造を分解し、それらの分子フラグメントを抽出しました。 DiffLinker を使用して、新しい MOF リンカーを生成します。

生成: 拡散モデルは新しい MOF コネクタを生成します

Znテトラマー-PCU MOF構造の生成ステップ炭素は灰色、酸素は赤色、窒素は青色、水素は白色です。

GHP-MOFassembleフレームワークの生成部分について、研究者らはまず、上記の540個のユニークな構造分子フラグメントを抽出し、拡散モデル DiffLinker を使用して、新しい MOF リンカーを生成します。

このプロセスでは、研究者らは openbabel を使用して水素原子を追加し、間違った水素割り当てを持つコネクタを削除し、仮想原子識別プロセスを実行して、金属ノードで組み立てることができる情報を生成しました。その後、コンポーネントフィルターで処理されて、最終的に 12,305 個の接続が得られました。。やっと、DiffLinker によって生成された 3 つのリンカーと、hMOF データセットに頻繁に出現する 1 つの金属ノードが、アセンブリのためにランダムに選択されました。

研究者らは、アルゴンヌ国立研究所 (ALCF) の Theta スーパーコンピューターで 33 分間に PCU トポロジーを備えた 120,000 個の新しい MOF を生成したと報告されています。

スクリーニングと予測: CGCNN モデルは二酸化炭素の吸着能力をテストします

研究者らは、得られた新しいMOF構造の形状をチェックし、有効結合長を持つ78,796個のMOFを40分以内に特定した。次に、シミュレーション前のチェックが実行され、18,770 個の MOF が 4 時間 (205 分) 未満で LAMMPS 入力ファイルを正常に生成できると判断されました。 LAMMPS シミュレーションの数を減らすために、研究者らは MOF の吸着性能をスクリーニングするために CGCNN モデルをトレーニングしました。 LAMMPS: Large-scale Atomic/Molecular Massively Parallel Simulator、大規模原子分子並列シミュレータ

CGCNN モデルトレーニングプロセス: hMOF データセット内の MOF 構造と 0.1 bar での二酸化炭素吸着容量を入力データとして使用します。 hMOF データセットは、トレーニング用の 80%、検証用の 10%、およびテスト用の 10% の 3 つの独立したデータセットに分割されました。このデータ分割により、ランダムな重み初期化を使用して 3 つの CGCNN モデルがトレーニングされました。

研究者らは、NVIDIA A40 GPU上でCGCNNモデルに基づくトレーニングを行うことで、上記で選別した18,770個のMOF構造の二酸化炭素吸着能力を予測し、得られた高い吸着性能を持つ364個のMOF構造に対して分子動力学シミュレーションを実施した。プロセスは 50 分以内に完了します。

要約すると、研究者らは、GHP-MOFsassemble フレームワークに基づいて、新しい MOF 構造の生成と高性能構造のスクリーニングのプロセス全体を 5 時間 7 分で完了しました。

GCMCシミュレーションとCGCNNモデルに基づくそれぞれ0.1barおよび300Kで6つのMOFの二酸化炭素吸着能力

最後に、研究者らは 102 個の安定した高性能 MOF 構造を特定し、これら 102 個の MOF に対してグランドカノニカルモンテカルロ (GCMC) シミュレーションを実施しました。0.1 bar、300K の条件下で二酸化炭素吸着容量を計算すると、2 m mol g-1 を超える二酸化炭素吸着容量を持つ 6 つの MOF が見つかりました。これら 6 つの MOF の結晶構造は次のとおりです。

6つのMOFの結晶構造炭素は灰色、窒素は紺色、フッ素はシアン、亜鉛は紫、水素は白色、リチウムは緑色です。

実験的結論: AI フレームワークは効果的な新しい MOF を生成できる

研究者らは、AIフレームワークに基づいて生成されたリガンドとhMOFのリガンドとの間の類似性分析を実施したところ、AIによって生成されたリガンドとhMOFのリガンドとの間の類似性はわずか30%-40%であることが判明した。これは、AI フレームワークが新しいリガンドを生成できることを示しています。

0.4 という高い類似性ピークは、AI が hMOF にすでに存在するリガンドと同様のリガンドを生成できることも示しています。これは、この AI フレームワークの下で生成された MOF が実際に効果的であることを示しています。

GHP-MOFassemble は優れた特性を持つ金属有機骨格構造の発見と検証に成功していますが、完璧ではないことに言及する価値があります。実験プロセスのスクリーニングルール、シミュレーション条件、モデルの精度はすべて、結果の精度に影響します。AI フレームワークによってスクリーニングされた MOF のパフォーマンスも実験でさらに検証する必要があります。

AI が二酸化炭素回収に深く取り組み、NVIDIA のシミュレーション速度が 700,000 倍に上昇

今日、気候変動への対処は、全人類の共通の未来に関わる世界的な課題となっています。中国政府はこれを非常に重視しており、排出削減に向けた明確な道筋を定めており、2030年までに二酸化炭素排出量のピークに達し、2060年までにカーボンニュートラルを達成するよう努めることを計画している。「カーボンピーク」と「カーボンニュートラル」のビジョンとAIデジタル技術がぶつかり合うとき、未来への一連の変化が生まれます。実際、人工知能は低炭素の解決策を模索してきました。

都市の「二酸化炭素」目標を支援する人工知能の全体枠組み図出典: 百度スマートクラウド

マイクロソフトは次のように述べています。AI テクノロジーは、さまざまなソースからの大量のデータを使用して複雑な問題を解決できるため、世界の生産性を向上させ、二酸化炭素やその他の温室効果ガスの排出量を削減する役割を果たします。さらに、サリー大学のジン・スアン教授も、AI モデルの助けを借りて、石炭火力発電所の二酸化炭素回収施設のエネルギー消費を 1 以上削減できることを研究で示しています。 /3 となり、二酸化炭素捕捉効率が少なくとも 16.7% 増加します。

さらに、NVIDIA は、インタラクティブな高解像度シミュレーションを通じて気候と天気の予測を加速するフルスタックのオープンプラットフォームである Earth-2 もリリースしました。同時に、NVIDIA は Lieye ニューラルオペレーターとニューラルネットワークフレームワーク NVIDIA Modulus を使用して、炭素の捕捉と貯蔵のシミュレーション解析速度を 700,000 倍向上させ、二酸化炭素プルームと圧力蓄積の信頼性評価を 2.8 秒で完了できます。この改善は、間違いなく、その後の炭素回収研究に技術的なサポートを提供するでしょう。

ますます深刻な環境圧力と生態学的警告に直面して、二酸化炭素回収技術の画期的な進歩と応用の促進は、もはや単なる科学的命題ではなく、人類の持続可能な発展に関連する時代の課題でもあります。AI テクノロジーを炭素回収プロセス、特に有機金属フレームワーク (MOF) などの新材料の設計分野に統合することは、新たな技術的ブレークスルーをもたらし、世界の経済社会システムの変革を促進すると期待されています。よりグリーンで低炭素な方向へ。

参考文献:
1.https:www.ambcina.com
2.https:www.nvidia.cn/ハイパフォーマンスコンピューティング/earth-2/
3.http://www.tanpaifang.com/CCUS/202307/1198593\.html
4.http://m.xinhuanet.com/tech/2021\-04/01/c\_1127280796\.htm