哥伦比亚大学工程与应用科学学院
用机器学习桥接冷量子世界和高温金属提取的示意图
荣誉:罗德里戈·奥尔蒂斯·德拉莫雷纳和何塞·阿
加里多·托瑞斯/哥伦比亚工程公司 在高温下从氧化物中提取金属不仅对生产金属如钢，而且对回收利用都是至关重要的
因为目前的提取过程非常碳密集，排放大量温室气体，研究人员一直在探索开发“更绿色”工艺的新方法
这项工作在实验室里尤其具有挑战性，因为它需要昂贵的反应堆
构建和运行计算机模拟将是一种替代方案，但目前没有计算方法可以在没有实验数据的情况下准确预测高温下的氧化物反应
一个哥伦比亚工程团队报告说，他们开发了一种新的计算技术，通过结合量子力学和机器学习，可以准确预测金属氧化物还原成贱金属的温度
他们的方法在计算上与零温度下的传统计算一样高效，并且在他们的测试中，比使用量子化学方法对温度效应的计算要求更高的模拟更精确
这项研究由化学工程助理教授亚历山大·厄本领导，今天由《自然通讯》发表
厄本说:“如果我们要向更可持续的未来过渡，化学工业的脱碳至关重要，但为现有的工业流程开发替代品非常耗费成本和时间。”
“不需要初始实验输入的自下而上的计算过程设计将是一个有吸引力的替代方案，但迄今尚未实现
据我们所知，这项新的研究是首次尝试将计算计算与人工智能相结合的混合方法用于这一应用
这是第一次证明基于量子力学的计算可以用于高温过程的设计
" 研究人员知道，在非常低的温度下，基于量子力学的计算可以准确预测化学反应所需或释放的能量
他们用机器学习模型补充了零温度理论，该模型从公开的高温测量中学习温度相关性
他们设计了他们的方法，专注于在高温下提取金属，同时预测“自由能”随温度的变化，无论它是高还是低
何塞·阿说:“自由能是热力学的一个关键量，从原理上讲，其他温度相关的量也可以从它推导出来。”
论文的第一作者加里多·托瑞斯是厄本实验室的博士后，现在是普林斯顿大学的研究科学家
“因此，我们预计我们的方法也将有助于预测，例如，熔融温度和溶解度，用于设计由可再生电能驱动的清洁电解金属提取工艺
" 澳大利亚国立大学工程和计算机科学学院副院长、专注于腐蚀耐久性的材料设计专家尼克·比碧利斯(Nick Birbilis)说，“未来只是变得更近了一点。”他没有参与这项研究
“在过去的一个世纪里，人类的大部分努力和沉没的资本都花在了我们每天使用的材料的开发上，我们依靠这些材料来获得动力、飞行和娱乐
材料开发缓慢且成本高昂，这使得机器学习成为未来材料设计的关键发展
为了让机器学习和人工智能发挥其潜力，模型必须是机械相关的和可解释的
这正是厄本和加里多·托雷斯的作品所展示的
此外，这项工作第一次采用了整个系统的方法，通过先进的算法，将一端的原子模拟与另一端的工程应用联系起来
" 该团队现在正致力于将该方法扩展到其他依赖于温度的材料特性，如溶解性、导电性和熔化性，这些特性是设计无碳且由清洁电能驱动的电解金属提取工艺所必需的
这项研究的题目是“用机器学习增强零开尔文量子力学，以预测高温下的化学反应”
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
