Một khung học máy mới được phát triển tại Phòng thí nghiệm quốc gia Brookhaven của Bộ Năng lượng Hoa Kỳ có thể cải thiện những phần nào của quá trình chuyển đổi hóa học nhiều bước cần được thay đổi để tăng năng suất. Kỹ thuật này có thể hỗ trợ các nhà nghiên cứu xác định hình dạng của chất xúc tác, còn được gọi là chất giải quyết hóa học giúp tăng tốc độ phản ứng.
Khung học máy được sử dụng để tăng năng suất
Nhóm nghiên cứu đã phát minh ra phương pháp kiểm tra quá trình chuyển đổi carbon monoxide (CO) thành metanol bằng chất xúc tác gốc đồng. Phản ứng có bảy quy trình cơ bản đơn giản.
Wenjie Liao, một trong những tác giả của nghiên cứu và là sinh viên tốt nghiệp Đại học Stony Brook có liên quan đến Phản ứng xúc tác của Phòng Hóa học của Phòng thí nghiệm Brookhaven, cho biết: “Mục tiêu của chúng tôi là xác định bước cơ bản nào trong mạng phản ứng hoặc tập hợp con các bước nào kiểm soát hoạt động xúc tác”. và nhóm Cấu trúc (CRS). Bài báo được xuất bản trên tạp chí Khoa học & Công nghệ xúc tác tạp chí.
Ping Liu, trưởng nhóm CRS cho biết: “Chúng tôi đã sử dụng phản ứng này làm ví dụ về phương pháp khung ML của mình, nhưng bạn có thể đưa bất kỳ phản ứng nào vào khung này nói chung”.
Hãy xem xét một chiếc tàu lượn siêu tốc với nhiều ngọn đồi có kích thước khác nhau. Chiều cao của mỗi đỉnh phản ánh năng lượng cần thiết để đi từ bước này sang bước tiếp theo. Chất xúc tác làm giảm “rào cản kích hoạt” bằng cách làm cho các chất phản ứng kết hợp đơn giản hơn hoặc cho phép chúng làm như vậy ở nhiệt độ và áp suất thấp hơn. Chất xúc tác phải nhắm vào bước hoặc các bước có ảnh hưởng lớn nhất để phản ứng diễn ra nhanh hơn.
Theo truyền thống, các nhà khoa học cố gắng cải thiện phản ứng đã cố gắng tìm ra cách thay đổi một rào cản kích hoạt tại một thời điểm có thể ảnh hưởng đến năng suất tổng thể. Hình thức điều tra này có thể tiết lộ giai đoạn nào là “giới hạn tỷ lệ” và bước nào xác định độ chọn lọc của chất phản ứng, nghĩa là liệu chất phản ứng tiến tới sản phẩm dự định hay đi theo con đường thay thế hướng tới sản phẩm phụ không mong muốn.
“Những ước tính này cuối cùng rất thô và có nhiều sai sót đối với một số nhóm chất xúc tác. Điều đó thực sự gây tổn hại cho việc thiết kế và sàng lọc chất xúc tác, đó là những gì chúng tôi đang cố gắng thực hiện”, Liu giải thích.
Nhóm đang cố gắng cải thiện những ước tính này bằng cách phát triển một khung học máy mới cho phép các nhà hóa học dự đoán chất xúc tác sẽ tác động như thế nào đến quá trình phản ứng và sản lượng hóa chất một cách chính xác hơn.
“Bây giờ, thay vì di chuyển từng rào cản một, chúng tôi di chuyển tất cả các rào cản cùng một lúc. Và chúng tôi sử dụng khung học máy để diễn giải tập dữ liệu đó”, Liao nói.
Các nhà nghiên cứu cho biết phương pháp này, trong đó khả năng phản ứng được suy ra từ cấu trúc của sản phẩm chứ không phải hoạt động hoặc thành phần hóa học của nó, mang lại kết quả đáng tin cậy hơn đáng kể, bao gồm cả cách các thành phần trong phản ứng tương tác.
“Trong điều kiện phản ứng, các bước này không bị cô lập hoặc tách biệt với nhau; tất cả chúng đều được kết nối. Nếu bạn chỉ thực hiện từng bước một, bạn sẽ bỏ lỡ rất nhiều thông tin – sự tương tác giữa các bước cơ bản. Đó là những gì được ghi lại trong sự phát triển này,” Liu nói.
Khung ML đã được xây dựng như thế nào?
Các nhà nghiên cứu bắt đầu bằng việc chuẩn bị một bộ dữ liệu để huấn luyện khung học máy của họ. Năng lượng kích hoạt cần thiết để chuyển đổi cách sắp xếp nguyên tử này sang cách sắp xếp nguyên tử tiếp theo thông qua bảy bước của phản ứng được mô hình hóa bằng phép tính DFT (lý thuyết hàm mật độ). Sau đó, các nhà nghiên cứu tiến hành lập mô hình máy tính để đánh giá điều gì sẽ xảy ra nếu họ điều chỉnh tất cả bảy rào cản kích hoạt cùng một lúc. Hóa học không phải là lĩnh vực khoa học duy nhất được hưởng lợi từ học máy, nếu bạn muốn tìm hiểu thêm về học máy lượng tử, chúng tôi có một bài viết dành cho bạn.
Liu giải thích: “Phạm vi dữ liệu mà chúng tôi đưa vào dựa trên kinh nghiệm trước đây với các phản ứng này và hệ thống xúc tác này, trong phạm vi biến đổi thú vị có khả năng mang lại cho bạn hiệu suất tốt hơn”.
Các nhà nghiên cứu đã sử dụng một mô hình để mô phỏng các biến thể trong 28 “bộ mô tả”, bao gồm năng lượng kích hoạt cho bảy bước cũng như các cặp bước thay đổi hai bước cùng một lúc, tạo ra một bộ dữ liệu toàn diện gồm 500 điểm. Bộ dữ liệu này dự đoán tất cả những thay đổi riêng lẻ và các cặp thay đổi đó sẽ ảnh hưởng như thế nào đến việc sản xuất metanol. Sau đó, mô hình sẽ đánh giá từng mô tả dựa trên mức độ liên quan của nó trong việc xác định sản lượng metanol.
Liao cho biết: “Mô hình của chúng tôi ‘học hỏi’ từ dữ liệu và xác định sáu yếu tố mô tả chính mà nó dự đoán sẽ có tác động nhiều nhất đến sản xuất”.
Sau khi xác định được những từ quan trọng nhất, các nhà nghiên cứu đã đào tạo lại khung học máy chỉ với sáu tiêu chí “hoạt động” đó. Khung học máy nâng cao này có thể dự đoán hoạt động xúc tác chỉ dựa trên tính toán DFT cho sáu biến đó.
Liu giải thích: “Thay vì phải tính toán toàn bộ 28 bộ mô tả, giờ đây bạn có thể tính toán chỉ với 6 bộ mô tả và nhận được tỷ lệ chuyển đổi metanol mà bạn quan tâm”.
Theo nhóm nghiên cứu, họ cũng có thể áp dụng mô hình này để sàng lọc các chất xúc tác. Mô hình dự đoán tốc độ sản xuất metanol tối đa nếu họ có thể tạo ra chất xúc tác giúp cải thiện giá trị của sáu mã định danh hoạt động.
Các nhà nghiên cứu đã so sánh dự đoán của mô hình với hiệu suất thực tế của chất xúc tác và hợp kim của nhiều kim loại khác nhau với đồng và nhận thấy rằng chúng khớp với nhau. So sánh của khung học máy với các phương pháp trước đây để dự đoán hiệu suất hợp kim đã chứng minh rằng nó vượt trội hơn nhiều.
Các phát hiện này cũng làm sáng tỏ sự thay đổi của các rào cản năng lượng có thể tác động đến cơ chế phản ứng như thế nào. Dữ liệu cho thấy các bước khác nhau trong quy trình hoạt động cùng nhau như thế nào, đặc biệt là việc hạ thấp rào cản năng lượng chỉ trong bước giới hạn tỷ lệ sẽ không phải lúc nào cũng cải thiện việc sản xuất metanol nếu chỉ thực hiện một mình. Tuy nhiên, việc thay đổi hàng rào năng lượng của bước mạng phản ứng trước trong khi vẫn duy trì năng lượng kích hoạt của bước giới hạn tốc độ trong phạm vi chấp nhận được sẽ làm tăng hiệu suất metanol.
Liu giải thích: “Phương pháp của chúng tôi cung cấp cho chúng tôi thông tin chi tiết mà chúng tôi có thể sử dụng để thiết kế chất xúc tác điều phối tốt sự tương tác giữa hai bước này”.
Với các khung học máy dựa trên dữ liệu, Liu bị thu hút nhất bởi tiềm năng áp dụng các kỹ thuật như vậy cho các phản ứng phức tạp hơn.
“Chúng tôi đã sử dụng phản ứng metanol để chứng minh phương pháp của mình. Nhưng cách nó tạo ra cơ sở dữ liệu cũng như cách chúng tôi đào tạo khung học máy cũng như cách chúng tôi nội suy vai trò của từng chức năng của bộ mô tả để xác định trọng số tổng thể xét về tầm quan trọng của chúng — điều đó có thể dễ dàng áp dụng cho các phản ứng khác,” Liu nói.
Nghiên cứu được thực hiện nhờ sự tài trợ của Văn phòng Khoa học Bộ Năng lượng (BES). Các tính toán được thực hiện bằng các tài nguyên tính toán tại Trung tâm Vật liệu nano chức năng (CFN), Văn phòng Người dùng Khoa học DOE tại Phòng thí nghiệm Brookhaven và Trung tâm Máy tính Khoa học Nghiên cứu Năng lượng Quốc gia (NERSC), Văn phòng Người dùng Khoa học DOE tại Lawrence Berkeley. Phòng thí nghiệm quốc gia.
Nhân tiện, nếu bạn quan tâm đến các phương pháp ML, bạn có thể xem lịch sử của máy học, nó có từ thế kỷ 17.
