Metallorganische Gerüste (MOFs) sind eine Klasse von Materialien, die Poren im Nanobereich enthalten. Diese Poren verleihen den MOFs eine rekordverdächtige innere Oberfläche, die sie für eine Reihe von Anwendungen extrem vielseitig macht: Trennung von Petrochemikalien und Gasen, Nachahmung von DNA, Erzeugung von Wasserstoff und Entfernung von Schwermetallen, Fluoridanionen und sogar Gold aus Wasser sind nur einige Beispiele.
MOFs stehen im Mittelpunkt der Forschung von Professor Berend Smit an der EPFL School of Basic Sciences, wo seine Gruppe maschinelles Lernen einsetzt, um einen Durchbruch bei der Entdeckung, dem Design und sogar der Kategorisierung der immer zahlreicher werdenden MOFs zu erzielen, die derzeit die chemischen Datenbanken überschwemmen.
In einer neuen Studie haben Smit und seine Kollegen ein Modell des maschinellen Lernens entwickelt, das die Wärmekapazität von MOFs vorhersagt. "Hier geht es um ganz klassische Thermodynamik", sagt Smit. "Wie viel Energie ist nötig, um ein Material um ein Grad zu erwärmen? Bis jetzt sind alle technischen Berechnungen davon ausgegangen, dass alle MOFs die gleiche Wärmekapazität haben, aus dem einfachen Grund, dass es kaum Daten gibt." Seyed Mohamad Moosavi, ein Postdoc in Schmits Gruppe, fügt hinzu: "Wenn es keine Daten gibt, wie kann man dann ein Machine-Learning-Modell erstellen? Das scheint unmöglich!"
Die Antwort ist der innovativste Aspekt der Arbeit: ein maschinelles Lernmodell, das vorhersagt, wie die lokale chemische Umgebung die Schwingungen der einzelnen Atome in einem MOF-Molekül verändert. "Diese Schwingungen können mit der Wärmekapazität in Verbindung gebracht werden", sagt Smit. "Früher konnten wir mit einer sehr teuren Quantenberechnung eine einzige Wärmekapazität für ein einzelnes Material ermitteln, aber jetzt erhalten wir bis zu 200 Datenpunkte für diese Schwingungen. Mit 200 teuren Berechnungen hatten wir also 40.000 Datenpunkte, um das Modell zu trainieren, wie diese Schwingungen von ihrer chemischen Umgebung abhängen."
Anschliessend testeten die Forscher ihr Modell anhand experimenteller Daten, um es auf seine Praxistauglichkeit zu überprüfen. "Die Ergebnisse waren überraschend schlecht", sagt Smit, "bis wir feststellten, dass diese Experimente mit MOFs durchgeführt worden waren, die Lösungsmittel in ihren Poren hatten. Also haben wir einige MOFs neu synthetisiert und das Syntheselösungsmittel vorsichtig entfernt - und ihre Wärmekapazität gemessen - und die Ergebnisse stimmten sehr gut mit den Vorhersagen unseres Modells überein!"
"Unsere Forschung zeigt, wie Künstliche Intelligenz (KI) das Lösen von Problemen auf mehreren Ebenen beschleunigen kann", sagt Moosavi. KI ermöglicht es uns, über unsere Probleme auf eine neue Art und Weise nachzudenken und sie manchmal sogar zu bewältigen".
Um die realen Auswirkungen der Arbeit zu demonstrieren, simulierten die Ingenieure der Heriot-Watt University die Leistung der MOFs in einer Kohlenstoffabscheidungsanlage. "Wir haben Quantenmolekularsimulationen, maschinelles Lernen und chemische Verfahrenstechnik in Prozesssimulationen eingesetzt", sagt Smit. "Die Ergebnisse zeigten, dass bei korrekten Wärmekapazitätswerten der MOFs die Gesamtenergiekosten des Kohlenstoffabscheidungsprozesses viel niedriger sein können, als wir ursprünglich angenommen hatten. Unsere Arbeit ist ein echtes Multiskalenprojekt, das enorme Auswirkungen auf die technisch-wirtschaftliche Tragfähigkeit der derzeit erwogenen Lösungen zur Bekämpfung des Klimawandels hat."
Literatur
- Moosavi, S.M., Novotny, B.Á., Ongari, D. et al. A data-science approach to predict the heat capacity of nanoporous materials. Nat. Mater. (2022)