Zamanının ilerisinde: 2018 öncesi araştırmalarla sınırlı olan yapay zeka, sonraki deneylerde rapor edilen hidrojen katalizörünü işaret ediyor

Araştırmacılar, yalnızca gerçek keşiflerinden yıllar önce mevcut olan bilimsel bilgiyi kullanarak gelecek vaat eden katalizörleri belirlemek için yapay zekayı kullandılar. Bulguları, daha verimli hidrojen üretimi ve diğer değerli kimyasal süreçlere yönelik araştırmaları hızlandırabilir.

Geleceği tahmin etmek kesin olmayan bir bilimdir. Gelecek henüz gerçekleşmediği için çıktı ancak teorik olabilir. Peki ya halihazırda gerçekleşmiş bir geleceğe yönelik bir öngörüyü test edebilseydiniz? ARC Karbon Bilimi ve İnovasyon Mükemmeliyet Merkezi’nden araştırmacılar, tam da bunu yapmanın ustaca bir yolunu buldular.

Aslında ilerlemek için zamanı geriye aldılar: Sistemlerinin kullandığı bilimsel literatürü belirli bir tarihten önce yayınlanan bilgilerle sınırladılar, ardından gelecek vaat eden elektrokatalizörleri belirlemesini istediler.

Sonuçlar, yarının bilimsel atılımlarından bazılarının halihazırda yayınlanmış olan devasa araştırmaların içinde saklanıyor olabileceğini gösteriyor.

Milyonlarca olasılık

Araştırmada yayınlandı ACS Katalizibüyük dil modellerinin (LLM’ler) bilim adamlarının gelecek vaat eden elektrokatalizörleri (elektrik içeren kimyasal reaksiyonları hızlandıran malzemeler) belirlemelerine nasıl yardımcı olabileceğini araştırıyor.

Merkez üyeleri Dr. Yiran Jiao, profesör Yan Jiao ve profesör Shi-Zhang Qiao ile bilgisayar bilimlerinden işbirlikçilerinden oluşan araştırma ekibi, karbon destekli yüksek entropili alaşımlara (HEA’lar) odaklandı. Bu malzemeler tipik olarak, karbon bazlı desteklerle birleştirilmiş, nispeten benzer oranlarda beş veya daha fazla farklı metalden oluşur.

Çoklu metaller ve karbon bazlı malzemeler arasındaki etkileşim, benzersiz özelliklerin ortaya çıkmasına neden olabilir ve bu da onları hidrojen üretimi gibi uygulamalar için umut verici adaylar haline getirebilir.

Ancak doğru kombinasyonu bulmak çok büyük bir zorluktur. Yiran Jiao’ya göre bilim insanları farklı elementleri, oranlarını ve oluşturdukları yapıları hesaba kattıktan sonra olası HEA kombinasyonlarının sayısı milyonları bulabilir. Bu, her olasılığın test edilmesini kullanışsız hale getirir.

Bununla mücadele etmek için araştırmacılar, gelecek vaat eden adayları belirlemek için geleneksel olarak teorik hesaplamalara, mevcut bilimsel bilgiye ve deneyler yoluyla deneme yanılma yöntemine güvendiler.

Her yaklaşım sınırlamalarla birlikte gelir. Bilgisayar simülasyonları çok sayıda malzemeyi test edebilir ancak simüle edilen koşullar her zaman laboratuvarda olanları yansıtmaz. Deneysel testler daha güvenilirdir ancak yeni materyallerin sentezlenmesi ve değerlendirilmesi önemli ölçüde zaman ve çaba gerektirir.

Araştırmacılar aynı zamanda birlikte iyi çalıştığı bilinen elementlerin kombinasyonlarını da tercih etme eğilimindedir; bu da potansiyel olarak değerli özelliklere sahip daha az belirgin kombinasyonların gözden kaçırıldığı anlamına gelebilir.

Dünde yarını bulmak

Araştırma ekibi başka bir yol bulmak için yola çıktı. Yaklaşımları, bilimsel yayınlardan bilgi toplamak için büyük dil modellerini kullandı, ardından umut verici yeni materyallere işaret edebilecek kalıpları ve ilişkileri belirlemek için bu bilgiyi analiz etti.

Yiran Jiao, “Araştırma yayınlarında çok miktarda bilgi var” diyor. “Tüm bilgiyi elde etmek için bunları tek tek inceleyemezsiniz. Büyük dil modelleri bunu yapmamıza yardımcı olabilir.”

Ancak Yiran Jiao, yalnızca 100 bilimsel makaleyi incelemenin ve bunlardan bilgi çıkarmanın bir araştırmacının birkaç saat sürebileceğini tahmin ediyor. Buna karşılık, ekibin yeni araştırma yaklaşımı, benzer bir zaman dilimi içinde binlerce yayından bilgi çıkarabiliyor.

“Olası adayları milyonlarca kombinasyondan belki 10 veya 20’ye indirmeye çalışıyorduk” diye açıklıyor. “Bu, onları araştırmak için gereken zamanı ve çabayı büyük ölçüde azaltabilir.”

Ancak bilgi çıkarmak yalnızca ilk adımdı. Araştırmacılar ayrıca bu bilgilerdeki kalıpları ve ilişkileri analiz etmek için yeni bir hesaplama yöntemi geliştirdiler. Bu, deneysel olarak hiç test edilmemiş kombinasyonlar da dahil olmak üzere, hangi metal kombinasyonlarının daha fazla stabilite ve aktiviteye sahip katalizörler üretebileceğini tahmin etmelerine olanak sağladı.

Yaklaşımı test etmek için araştırmacılar, sistemi 2017 yılına kadar mevcut olan bilimsel bilgilerle sınırladılar ve ardından tahminlerini daha sonra yayınlanan araştırmalarla karşılaştırdılar. Bir örnekte sistem, krom, kobalt, demir, manganez ve nikeli birleştiren umut verici bir katalizör belirledi. CrCoFeMnNi olarak bilinen alaşımın daha sonra deneysel olarak hidrojen elektrokatalizinde uygulanan yüksek entropili alaşımların öncü örneklerinden biri olduğu rapor edildi.

Yan Jiao, “Yapay zekanın çıktılarını incelemek için hala insanlara ihtiyacımız var çünkü her zaman güvenilir değil” diyor. Büyük dil modelleri yanlış bilgi üretebilir veya var olmayan şeyler önerebilir. Bu sorunu çözmek için araştırmacılar, yapay zeka çıktısının 100 örneğini manuel olarak değerlendirerek doğru ve yanlış sonuçları belirlediler. Daha sonra bu örnekleri sistemi eğitmek ve geliştirmek için kullandılar ve doğruluğunu arttırdılar.

Nispeten az miktardaki insan girdisiyle, geliştirilmiş sistem, 5.000’den fazla araştırma makalesinden bilimsel olarak anlamlı bilgiler çıkarmayı başardı; bu, insan uzmanlığının, yapay zekanın bilimsel bilgiyi çok daha büyük ölçekte analiz etme yeteneğini nasıl geliştirebileceğini gösteriyor.

Hidrojen üretimi için bu neden önemlidir?

Suyu bölerek hidrojen üretmek elektrik gerektirir ve elektrokatalizörler kimyasal reaksiyonların verimli bir şekilde ilerlemesine yardımcı olur. Daha aktif ve kararlı katalizörlerin bulunması, hidrojen üretim teknolojilerinin performansını artırabilir, bu da potansiyel olarak maliyetleri düşürebilir ve süreci ticari açıdan daha çekici hale getirebilir.

Milyonlarca olası malzeme kombinasyonunu az sayıda gelecek vaat eden adayla sınırlandıran araştırmacıların yaklaşımı, yeni malzemeleri araştırmak için gereken zamanı ve kaynakları önemli ölçüde azaltabilir. Ancak çalışma, yeni deneysel testlerden ziyade hesaplamalı tahminleri içeriyordu.

Ekip bu nedenle endüstriyel hidrojen üretiminde iyileştirmeler göstermedi veya potansiyel maliyet tasarruflarını ölçemedi. Yaklaşımın amacı, bir materyalin tahmin edildiği gibi performans gösterip göstermediğini tespit etmek için gereken deneysel çalışmanın yerine geçmek değil, bilimsel araştırmaya rehberlik etmektir.

Hidrojenin ötesinde

Hidrojen sadece bir başlangıç ​​olabilir; altta yatan yaklaşım potansiyel olarak çok daha geniş bir malzeme yelpazesine ve elektrokimyasal reaksiyonlara uygulanabilir.

Bir olasılık, CO₂’nin faydalı kimyasal ürünlere dönüştürüldüğü karbondioksitin azaltılmasıdır. Daha etkili katalizörler bu süreçleri daha verimli ve ticari açıdan çekici hale getirebilir ve potansiyel olarak yakalanan CO₂’yi değerli kimyasal ürünlere dönüştürmek için yeni fırsatlar yaratabilir. Yiran Jiao, ekibin daha da iddialı bir olasılıkla ilgilendiğini söylüyor: Yapay zekanın, zaten iyi anlaşılmış olan reaksiyonlar için daha iyi materyaller bulmak yerine, bilim adamlarının tamamen yeni kimyasal reaksiyonları tanımlamasına yardımcı olup olamayacağı.

Keşfin geleceği

Araştırmanın belki de en ilgi çekici sonucu, bilinmeyen şey. Yaklaşımlarının daha sonra diğer bilim insanları tarafından bildirilen umut verici materyalleri tanımlayabildiğini gösteren ekip, araştırma için daha önce keşfedilmemiş birkaç elektrokatalizör adayını da önerdi. Sistem, bu malzemelerin hidrojen üretimi için daha iyi stabilite ve aktivite sunabileceğini ve potansiyel olarak mevcut adaylardan daha iyi performans gösterebileceğini öngörüyor.

Ancak bu tahminler henüz deneysel olarak doğrulanmadı. Bu artık deneysel araştırmacılar için bir fırsat: Yapay zeka tarafından belirlenen adayları alıp sentezlemek ve beklendiği gibi performans gösterip göstermediklerini keşfetmek.

Ekibin şu ana kadar ürettiği sonuçlar, sahip olduğumuz bilimsel bilgi dahilinde değerli keşiflerin halihazırda bizi bekliyor olabileceğini gösteriyor. Bir sonraki test, aynı bilginin bilim adamlarının gerçekten yeni bir şey bulmasına yardımcı olup olamayacağıdır.