Tohoku Üniversitesi’nin İleri Malzeme Araştırma Enstitüsü’ndeki (WPI-AIMR) heyecan verici yeni araştırma, onlarca yıllık dağınık literatür verilerinin katalizörler için hesaplanabilir tasarım kurallarına nasıl dönüştürüleceğini açıklıyor. Araştırmacılar, insan zekasını, regresyon modellerini ve yapay zeka aracılarını kullanarak yakıt hücreleri, su ayrıştırma ve CO₂ azaltımı gibi temiz enerji teknolojileri için verimli, düşük maliyetli katalizörlerin keşfini hızlandırabilir. Araştırmacılar, bu yöntemleri birleştirerek, başından beri literatür verilerinde gizli olan yeni keşifleri ortaya çıkarabilirler.
Kimyasal reaksiyonları hızlandıran katalizörler birçok önemli teknoloji ve üretim süreci için hayati öneme sahiptir. Ancak iş için doğru katalizörü bulmak zor. İlk adım genellikle daha önce yayınlanmış bilimsel literatüre başvurmak olsa da, tüm bu verilerin tutarlı bir özetini çıkarmak bunaltıcı olabilir.
Aynı katalizörü araştıran çalışmalar bile farklı deneysel koşulları kapsayabilir ve farklı değişkenleri ölçebilir, bu da karşılaştırmaları zorlaştırabilir. Veriler her yerdeyse en iyi katalizör adayını nasıl bulacağız? Bu, farklı malzeme miktarları, pişirme süreleri ve fırın sıcaklıkları kullanan kek tariflerinden oluşan bir veritabanını karşılaştırmaya çalışmak gibi olurdu.
Seçkin Profesör Hao Li (WPI-AIMR), “Katalizörler hakkında şimdiye kadar yayınlanmış bilimsel literatür zenginliğinde çok büyük miktarda bilgi var” diyor. “Ancak tüm bu farklı, bireysel çalışmaları alıp bunları eyleme geçirilebilir bilgiler halinde özetlemek (rasyonel katalizör tasarımı için planların toplanması gibi) inanılmaz derecede zordur.”
Çalışma, şu tarihte yayınlandı: EES Kataliziliteratürde “gizli” olan bilgilerin yeniden düzenlenmesi, yeniden analiz edilmesi ve yeniden modellenmesi için mevcut üç yöntemi özetlemektedir. Birincisi, verileri manuel olarak özetlemek için insan beyin gücünü kullanmaktır. İkincisi, belirli bir katalizörün yapı-performans özelliklerinin niceliksel bir değerlendirmesini elde etmek için büyük veriler üzerinde regresyon modeli adı verilen istatistiksel bir analizin gerçekleştirilmesi gibi veri analizidir. Üçüncüsü, bulguları daha ayrıntılı değerlendirmek ve yeni aday materyaller önermek için yapay zekayı (AI) kullanmaktır. İdeal olarak araştırmacılar üçünü de birlikte kullanacaklardır.
Li, “Her şeyi elle yapmak çok yavaş, ancak dikkatli bir çapraz kontrol olmadan yalnızca yapay zekaya güvenmek hatalı olabilir, bu nedenle dikkatli bir dengeye ihtiyacımız var” diyor.
Birden fazla çalışmadan elde edilen verilerin yeniden analiz edilmesi, yeni bilgileri ve hatta bunu açıklamak için altta yatan bir teoriyi çözmek için insan zekası ve yapay zekanın birleşimini gerektiren anormallikleri ortaya çıkarabilir. Bu sayede eski veriler bile yeni hileleri ortaya çıkarabilir.
Bu yazıda önerilenler gibi katalizör performansını artırmak için sistematik yöntemler geliştirmek, sürdürülebilir enerji çözümlerinin daha hızlı geliştirilmesine, pahalı soy metallere olan bağımlılığın azaltılmasına ve karbon nötr bir topluma doğru ilerlemeye yol açabileceğinden toplumumuz için son derece faydalıdır.
Lisa Kilit
BA sanat tarihi, MA maddi kültür. Eski müze editörü, sağlık görevlisi ve organ nakli koordinatörü. 2021’den beri Science X için editörlük yapıyorum.
Tam profil →
Robert Egan
Matematiksel biyoloji alanında lisans, yaratıcı yazarlıkta yüksek lisans. Bilim ve dil üzerine eşsiz bakış açılarıyla çok seyahat ettim.
Tam profil →
