Gépi tanulással gyorsítanák a széndioxid-veszteség újrahasznosítását

2020 / 10 / 07 / Perei Dóra
Gépi tanulással gyorsítanák a széndioxid-veszteség újrahasznosítását
A kanadai Toronto Egyetem és a pittsburghi Carnegie Mellon Egyetem kutatói mesterséges intelligenciával gyorsítanák a szén-dioxid-veszteség újrahasznosítását, vagyis annak etilénné alakítását. A kísérlet egyenlőre a hatékony katalizátor- és anyagkombinációk keresésénél tart, az eddigi eredmények azonban bizakodásra adnak okot. Ami jó hír tekintve, hogy egy körülbelül hatvanmilliárd dolláros globális üzleti ágról van szó.

Ha a rendszert szél- vagy napenergiával működtetik, az elektromosság jobban elraktározható, valamint jelentős mértékben javul a szénkinyerés és a tiszta energiák tárolása. A kutatók mostanra több világszintű katalizátort megalkottak, amelyek képesek csökkenteni a szén-dioxid etilénné és más szénalapú molekulává alakításának költségeit. Az egyébként milliós nagyságrendű potenciális anyagkombinációból egy még hatékonyabb kikísérletezése a cél, ám ekkora mennyiséget manuálisan lehetetlen letesztelni lehetetlen. A gépi tanulás viszont drasztikusan felgyorsíthatja a keresési folyamatot:

a különféle számítógépes modellek, adatok és algoritmusok gyorsan kiszűrik a téves kombinációkat, vagyis ez már önmagában előrevetíti a lehetséges megoldásokat.

A tiszta energia mesterséges intelligenciával történő kutatások egy 2017-es kanadai konferencia után lettek felkapottak, aminek a CMU-n nanoanyagok számítógépes modellezésével foglalkozó Zachary Ulissi, a kutatás vezetője is részese volt. Zachary és csapata működő adatsorokkal rendelkeznek potenciális katalizáló anyagokról, tulajdonságaikról, valamint azok vegyi reakcióiról. A szén-dioxid etilénné alakításáról ellenben nem rendelkeznek adatsorokkal, így más kreatív megoldás után kellett nézniük. Az általuk fejlesztett algoritmusok

gépitanulás-modellek kombinációival és aktív tanulással, az anyag részletes modellje nélkül előrejelzik, hogy egy adott katalizátor milyen típusú terméket generálhat.

Az algoritmusok több mint kétszáznegyven anyagból választottak ki négy ígéretes opciót, a legjobbnak pedig egy réz-alumínium ötvözetet találták, amelyből aztán nanoléptékű lyukacsos szerkezetet formáltak. A kutatók hozzátették: a réz és az alumínium többféleképpen összekapcsolódhat, de mindegyik opció hasznosnak tűnik. A katalizátort elektrolizáló műszeren tesztelték, melynek során rekordteljesítményt mértek. A kutatók szerint az energiaköltségeket azonban jelentősen csökkenteni kell az etilén előállításához, ezért az újabb kutatásoknál erre fókuszálnak.

(Fotó: Unsplash/Marcin_Jozwiak)


Hogyan lehet OTDK-t nyerni? Megkérdeztük azokat, akiknek már sikerült
A tizenhat szekcióban zajló rendezvényen már elindulni is presztízst jelent, egy helyezés pedig az akadémiai és a vállalati szférában is egyedülálló ajánlólevél, ezért megkérdeztünk két díjazottat, hogy mi kell a sikeres szerepléshez.
A jövő internete ezzel az eszközzel kezdődik, és hidd el, a neted hálás lesz érte
Új szintre emeli az otthoni hálózatod sebességét és stabilitását.
Hogyan lehet OTDK-t nyerni? Megkérdeztük azokat, akiknek már sikerült
Hogyan lehet OTDK-t nyerni? Megkérdeztük azokat, akiknek már sikerült
Két, korábban kitüntetett hallgatót kérdeztünk arról, hogy miben látják a siker titkát.
A jövő internete ezzel az eszközzel kezdődik, és hidd el, a neted hálás lesz érte
A jövő internete ezzel az eszközzel kezdődik, és hidd el, a neted hálás lesz érte
Új szintre emeli az otthoni hálózatod sebességét és stabilitását.
Ezek is érdekelhetnek
HELLO, EZ ITT A
RAKÉTA
Kövess minket a Facebookon!
A jövő legizgalmasabb cikkeit találod nálunk!
Hírlevél feliratkozás

Ne maradj le a jövőről! Iratkozz fel a hírlevelünkre, és minden héten elküldjük neked a legfrissebb és legérdekesebb híreket a technológia és a tudomány világából.



This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.