İklim krizini önlemeye yardımcı olmak için, zaten emilen CO₂’yu aktif olarak azaltmak esastır. Buna göre, doğrudan hava yakalaması (DAC) – doğrudan havadan sadece co₂ çıkaran bir teknoloji – dikkat çekiyor. Bununla birlikte, havada bulunan su buharı (H₂o) nedeniyle saf co₂’yi etkili bir şekilde yakalamak kolay değildir.
Kaist araştırmacıları, bu teknoloji için incelenen önemli bir malzeme sınıfı olan Metal-Organik Çerçeveler (MOFS) arasında en umut verici ortak yakalama malzemelerini tanımlamak için AI güdümlü makine öğrenme tekniklerini başarılı bir şekilde kullandılar.
Kimya ve Biyomoleküler Mühendislik Bölümü’nden Profesör Jihan Kim liderliğindeki araştırma ekibi, Imperial College London’daki bir ekiple işbirliği içinde araştırmalarını dergide yayınladı. Konu.
Yüksek performanslı malzemelerin keşfedilmesinde zorluk, yapıların karmaşıklığı ve moleküller arası etkileşimleri tahmin etmenin sınırlamalarından kaynaklanmaktadır. Bunun üstesinden gelmek için araştırma ekibi, Co₂, Water (H₂o) ve MOFS arasındaki etkileşimleri tam olarak tahmin edebilen bir Makine Öğrenme Gücü Alanı (MLFF) geliştirdi. Bu yeni yöntem, MOF adsorpsiyon özelliklerinin kuantum-mekanik seviyesi doğruluğu ile eskisinden çok daha hızlı hızlarda hesaplanmalarını sağlar.
Bu sistemi kullanarak, ekip 8.000’den fazla deneysel olarak sentezlenmiş MOF yapılarını taradı ve ortak yakalama için 100’den fazla umut verici adayı belirledi. Özellikle, geleneksel kuvvet alan tabanlı simülasyonlarla ortaya çıkarılmamış yeni adayları da içeriyordu. Ekip ayrıca MOF kimyasal yapısı ve adsorpsiyon performansı arasındaki ilişkileri analiz ederek DAC için yeni malzemelerin tasarlanmasına yardımcı olacak yedi temel kimyasal özellik önerdi.
Bu araştırma, DAC alanında önemli bir ilerleme olarak kabul edilmektedir, MOF-Co₂ ve MOF-H₂O etkileşimlerini tam olarak tahmin ederek malzeme tasarımını ve simülasyonunu büyük ölçüde artırır.
