ابداع یک رویکرد محساباتی جهت پیش بینی واکنش ها در دمای بالا

ترکیب مکانیک کوانتومی با دانش یادگیری ماشین این امکان را برای دانشمندان فراهم ساخته است که واکنش های اکسیدی را در دماهای بالا که داده های تجربی در دسترس نیستند ، به دقت دقت پیش‌بینی کنند.

این یافته میتواند برای طراحی فرآیندهای کربنی خالص مانند تولید فولاد و بازیافت فلز بسیار موثر واقع شود.

انجام واکنش های اکسیدی در دماهای بسیار بالا برای تولید فلزات و بازیافت آنها یک امر ضروری می باشد. از آنجایی که فرآیندهای اکسیدی کنونی مقادیر زیادی گازهای گلخانه ای منتشر می کنند، محققان در حال بررسی رویکردهای جدیدی برای توسعه فرآیندهای سبزترهستند.

انجام این کار به ویژه در آزمایشگاه چالش برانگیز بوده و به راکتورهای پرهزینه نیاز دارد. ساخت و اجرای شبیه‌سازی‌های رایانه‌ای می‌تواند یک جایگزین مناسبی باشد، اما در حال حاضر هیچ روش محاسباتی وجود ندارد که بتواند واکنش‌های اکسیدی را در دماهای بالا زمانی که داده‌های تجربی در دسترس نیست، پیش‌بینی کند.

اخیرا دانشمندان یک روش محاسباتی جدید ابداع کرده اند که از طریق ترکیب مکانیک کوانتومی و یادگیری ماشین می توانند دمای کاهش اکسیدهای فلزات را به فلزات پایه آنها به طور دقیق پیش بینی کند.رویکرد آنها از نظر محاسباتی به اندازه محاسبات معمولی در دمای صفر کارآمد است.

عملیات کربن زدایی در صنایع شیمیایی یک فرآیند کاملا مهم و ضروری برای ساخت آینده ای سبز می باشد.

اما توسعه و پیاده سازی این تکنولوژی بسیار پر هزینه و زمانبر می باشد. این درحالی است که طراحی یک فرآیند محاسباتی که نیازی به ورود داده های اولیه ندارد می تواند جایگزین جذابی باشد.

این تحقیقات برای نخستین بار می باشد که با ارائه یک رویکرد تکریبی از محسابات کوانتومی و هوش مصنوعی این امکان را فراهم ساخته است و در دماهای بسیار بالا واکنش مثبتی از خود نشان داده است.

محققان براین باورند که در دماهای بسیار پایین، محاسبات مبتنی بر مکانیک کوانتومی می‌تواند میزان انرژی مورد نیاز جهت انجام واکنش‌های شیمیایی را به دقت پیش‌بینی کند.

بر این اساس دمای صفر را یک معیار اصلی قرارداده و به کمک مدل یادگیری ماشین محاسبات کوانتومی را تقویت کردند که وابستگی دمایی نداشته و اندازه گیری خود را در هردمایی انجام دهد.

آنها رویکرد خود را بر اساس استخراج فلز در دماهای بالا طراحی کردند که این روش موفق آمیز بوده و میزان انرژی آزاد شده چه در دمای بالا و چه در دمای پایین را به دقت پیش بینی کرد.

انرژی آزاد کمیت کلیدی ترمودینامیک است و دیگر کمیت‌های وابسته به دما اصولاً می‌توانند از آن استخراج شوند.

بنابراین انتظار می رود که این رویکرد برای پیش‌بینی دمای ذوب و طراحی فرآیندهای استخراج فلزات الکترولیتی سبز که با انرژی الکتریکی تجدیدپذیر تغذیه می‌شوند، مفید باشد.

برای اینکه بتوانیم از تمام پتانسیل موجود در ترکیب یادگیری ماشین و هوش مصنوعی استفاده کنیم ، مدل‌ها باید از نظر مکانیکی مرتبط و قابل تفسیر باشند.

این دقیقاً همان چیزی است که این روش از خود نشان می‌دهد. و برای اجرای آن نیاز به الگوریتم‌های پیشرفته و یک رویکرد سیستمی جهت  پیوند شبیه‌سازی‌های اتمی در بستر برنامه ریزی های مهندسی شده می باشد.

از این یافته میتوان در ساخت حلال ها جهت طراحی فرآیندهای تولید و استخراج فلز به صورت الکترولیتی بدون نیاز به کربن استفاده کرد.