マシンラーニング、MOFsの熱容量を予測

December, 22, 2022, Lausanne--EPFL化学エンジニアは､多様な有機金属構造体(MOF)材料の熱容量を正確に予測できるマシンラーニングモデルを開発した。研究は、炭素捕捉プロセスのエネルギーコスト全体が予想よりもはるかに低いことを示している。

有機金属構造体(MOFs)は、ナノサイズの孔を含む材料クラス。これらの孔により、MOFsは記録破りの内部表面積となり、多くのアプリケーションにとってそれらは極めて多様になる。石油やガスの分離、DNA模倣、水素生成、重金属の除去、フッ化物アニオン、水から間の分離さえ例に挙げられている。

MOFsは、EPFL基礎科学学部Berend smit教授の研究の焦点である。グループは、マシンラーニングを使って、現在、化学データベースに溢れている、ますます増え続けるMOFsの発見、設計、分類にさえブレイクスルーを達成しようとしている。

研究では､グループは、MOFsの熱容量を予測するマシンラーニングモデルを開発した。「これは、非常に古典的な熱力学である。材料を1℃加熱するためにどの程度のエネルギーが必要か。これまでは、全ての工学計算は、全てのMOFsは同じ熱容量であると推定していた。使えるデータが全く存在しないという単純な理由からである。データがないなら、マシンラーニングモデルをどのように作れるのか。それは不可能に見える」とSmitグループのポスドク、Seyed Mohamad Moosaviは、指摘している。

答は、その研究の最も革新的な側面である。局所的化学環境が、MOF分子の各原子の振動をどのように変えるかを予測するマシンラーニングである。「これらの振動は、熱容量に関連付けられる。以前は、非常に高価な量子計算によりわれわれは、単一材料に対する一つの熱容量を得ているが、今度は、これらの振動で200までのデータポイントを得る。したがって、200の高価な計算をすることで、われわれは40000のデータポイントを獲得し、これらの振動が、その化学的環境にどのように依存しているかについてモデルをトレーニングする。したがって、200の高価な計算をすることでわれわれは40000のデータポイントが、これらの振動がその化学的環境に依存する仕方についてモデルをトレーニングできる」。

研究チームは、さらに実験データに対して、実生活のチェックとしてそのモデルをテイストした。「結果は､驚くほど貧弱だった。最終的にわれわれは、その実験が、溶媒を孔に入れたMOFsで行っていたことを理解した。したがって、われわれは、あるMOFsを再合成し、慎重に合成溶媒を除去し、その熱容量を計測した。すると結果は、われわれのモデル予測と非常によく一致したのである」(Smit)。

Moosaviは、「われわれの研究はAIがマルチスケール問題の解決をいかにして加速できるかを示している。AIによりわれわれは、新たな方法でわれわれの問題について考え、時にはそれに取り組むことができるようにする」と話している。

研究の実世界への影響を実証するためにヘリオット・ワット大学のエンジニアは、カーボンキャプチャ・プラントでMOFsの性能をシミュレートした。「われわれは､プロセスシミュレーションで量子分子シミュレーション、マシンラーニングおよび化学工業を利用した」(Smit)。「MOFsの正しい熱容量値で、炭素回収プロセスの全般的なエネルギーコストが、当初想定していたよりも遙かに低いことを結果は示していた。われわれの研究は真のマルチスケールの取組であり、環境変化に取り組む現在考えられているソリューションの技術経済的な実行可能性に大きな影響を及ぼす」と同氏は、続けている。
(詳細は、https://actu.epfl.ch/)