For at hjælpe med at forhindre klimakrisen er det vigtigt at reducere den allerede emiterede co₂ med at reducere den allerede emiterede co₂. I overensstemmelse hermed får Direct Air Capture (DAC) – en teknologi, der direkte udtrækker co₂ fra luften – opmærksomhed. Imidlertid er det ikke let at fange rent co₂ på grund af vanddamp (H₂O), der er til stede i luften.
Kaistforskere har med succes brugt AI-drevne maskinlæringsteknikker til at identificere de mest lovende co₂-capturing-materialer blandt metalorganiske rammer (MOF’er), en nøgleklasse af materialer, der er undersøgt til denne teknologi.
Forskerteamet, ledet af professor Jihan Kim fra Institut for Kemisk og Biomolekylær teknik, i samarbejde med et team ved Imperial College London, offentliggjorde deres forskning i tidsskriftet Materiale.
Problemet med at opdage materialer med højt ydeevne skyldes kompleksiteten af strukturer og begrænsningerne ved at forudsige intermolekylære interaktioner. For at overvinde dette udviklede forskerteamet et Field Field Field Field (MLFF) i Machine Learning Force (MLFF), der præcist forudsiger samspillet mellem CO₂, Water (H₂O) og MOFS. Denne nye metode muliggør beregninger af MOF-adsorptionsegenskaber med kvantemekanik-niveau nøjagtighed ved meget hurtigere hastigheder end før.
Ved hjælp af dette system screenede teamet mere end 8.000 eksperimentelt syntetiserede MOF -strukturer og identificerede mere end 100 lovende kandidater til CO₂ -indfangning. Dette omfattede især nye kandidater, der ikke var blevet afsløret af traditionelle kraftfeltbaserede simuleringer. Holdet analyserede også forholdet mellem MOF kemisk struktur og adsorptionsydelse og foreslog syv nøgle kemiske funktioner, der vil hjælpe med at designe nye materialer til DAC.
Denne forskning anerkendes som et betydeligt fremskridt inden for DAC-feltet, hvilket forbedrer materialens design og simulering ved præcist at forudsige MOF-Co₂ og MOF-H₂O-interaktioner.