نزدیک به 10000 واکنش نگاشت شده مراحل نادیده گرفته شده در تبدیل CO2 به سوخت را نشان می دهد.

ویرایش شده توسط Sadie Harley، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

دانشمندان به طور فزاینده ای در حال بررسی هیدروژناسیون دی اکسید کربن (CO2) هستند - جایی که CO2 با هیدروژن روی یک کاتالیزور برای تولید محصولاتی مانند متانول واکنش می دهد - تا CO2 را به مواد شیمیایی و سوخت های مفید تبدیل کند. با این حال، این شامل هزاران مرحله شیمیایی کوچک است که روی سطح کاتالیزور اتفاق می‌افتد.

برای مدل‌سازی محاسباتی این مراحل، محققان به طور سنتی تعداد نسبتا کمی از واکنش‌های احتمالی را انتخاب می‌کنند زیرا مدل‌سازی هر واکنش ممکن با استفاده از مکانیک کوانتومی بسیار گران است. اما این بدان معناست که صدها واکنش مهم ممکن است از دست برود.

محققان موسسه علوم هند (IISc) اکنون یک چارچوب محاسباتی مبتنی بر داده ایجاد کرده اند که تقریبا 10000 واکنش شیمیایی را که در تبدیل CO2 به سوخت و مواد شیمیایی روی یک کاتالیزور مس نقش دارند، ترسیم می کند. این رویکرد می تواند به دانشمندان در درک بهتر و در نهایت طراحی کاتالیزورهای موثر برای تبدیل CO2 به مواد شیمیایی و سوخت کمک کند.

این مطالعه در Nature Communications منتشر شد.

"ما با یک نگرانی آشنا برای هر کسی که مدل سازی مکانیکی انجام می دهد شروع کردیم: از کجا می دانید که شبکه واکنش شما یک مرحله مهم را حذف نکرده است؟" نویسنده اول، آناند موهان ورما، که به‌عنوان همکار پسادکتری CV رامان در IISc روی این مطالعه کار کرده و در حال حاضر استادیار مؤسسه ملی فناوری Motilal Nehru الله‌آباد (MNNIT Allahabad) است، می‌پرسد.

محققان ابتدا با استفاده از شبیه‌سازی‌های مکانیکی کوانتومی، یک پایگاه‌داده گسترده و دقیق از 152 واکنش ایجاد کردند. سپس، آنها مدل‌های یادگیری ماشینی را آموزش دادند تا به سرعت موانع انرژی فعال‌سازی را برای واکنش‌های اضافی پیش‌بینی کنند. علاوه بر این، آنها از ابزارهای خودکار برای پیش‌بینی تمام واکنش‌های ممکن شامل 105 گونه سطحی و اینکه کدام یک از آنها به عنوان واکنش‌های تک مرحله‌ای رخ می‌دهند، استفاده کردند. این به محققان اجازه داد تا شبکه اصلی را به 9389 واکنش اولیه گسترش دهند.

"زمانی که فرآیند را با استفاده از 152 واکنش در نظر گرفته شده در ابتدا مدل سازی کردیم، شبکه به اشتباه اسید فرمیک را پیش بینی کرد، نه متانول را به عنوان محصول اصلی، و مقدار CO2 تبدیل شده را دست کم گرفت. تنها زمانی که شبکه را به هزاران واکنش اضافی که قبلا نادیده گرفته شده بود، گسترش دادیم، پیش بینی ها مطابق با آنچه که ما و سایرین به عنوان استاد دانشگاه Go2 مشاهده کردند، مطابقت داشت." گروه مهندسی شیمی در IISc.

هنگامی که در یک مدل جنبشی گنجانده شد، شبکه گسترش یافته افزایش تقریبا 40 برابری در تبدیل CO2 را پیش بینی کرد و متانول و مونوکسید کربن را به درستی به عنوان محصولات اصلی، مطابق با مشاهدات تجربی شناسایی کرد.

اعتبار سنجی آزمایشی مدل توسط همکاران G. Valavarasu و Santhosh Kotni در مرکز تحقیقات و توسعه سبز شرکت Hindustan Petroleum Limited و Amol Amrute و همکارانش در آژانس علم، فناوری و تحقیقات در سنگاپور انجام شد. مدل‌های یادگیری ماشین شامل ورودی‌هایی از Ambedkar Dukkipati، استاد گروه علوم کامپیوتر و اتوماسیون در IISc بود.

شبکه بزرگتر همچنین نشان داد که در چندین مرحله کلیدی، هیدروژن را می توان مستقیما به عنوان H2 مولکولی به واسطه های واکنش منتقل کرد، نه تنها از طریق اتم های هیدروژن منفرد. محاسبات مکانیکی کوانتومی تأیید کرد که این مسیر می تواند به ویژه برای انتقال هیدروژن به واسطه های حاوی اکسیژن مطلوب باشد.

شیوام چاتورودی، یکی از نویسندگان این مقاله، دکترای دکترا می گوید: «این ایده که هیدروژن می تواند به عنوان یک مولکول دست نخورده، بدون اینکه ابتدا به اتم ها تقسیم شود، منتقل شود، در تضاد با آنچه به بسیاری از ما آموزش داده شده است، عمل می کند. دانشجوی گروه مهندسی شیمی در IISc.

"این فقط به این دلیل ظاهر شد که شبکه به اندازه کافی بزرگ بود که امکان آن را فراهم کند، و زمانی که ما به عقب برگشتیم و آن مراحل را به صراحت محاسبه کردیم، مشاهده متوقف شد. این همچنین نشان می دهد که کاتالیزورهایی که با H2 تعامل قوی تری دارند به طور بالقوه می توانند مسیرهای منتهی به متانول را بهبود بخشند."

به گفته محققان، این چارچوب که شبیه‌سازی‌های مکانیکی کوانتومی، یادگیری ماشین، شمارش خودکار واکنش و مدل‌سازی جنبشی را ترکیب می‌کند، می‌تواند به طور بالقوه برای سایر فرآیندهای کاتالیزوری مهم صنعتی، از جمله کاهش CO2 در سایر کاتالیزورها، کاهش نیتروژن و تقسیم آب نیز اعمال شود.

Anand M. Verma و همکاران، شبکه‌های واکنش عظیم مبتنی بر داده، مسیرهای مکانیکی زیربنایی هیدروژناسیون کاتالیزوری CO2 را نشان می‌دهند، Nature Communications (2026). DOI: 10.1038/s41467-026-77080-4

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →