Des scientifiques d'Argonne utilisent l'IA pour identifier de nouveaux matériaux pour la capture du carbone
Les cadres métallo-organiques (MOF) peuvent être utilisés dans de nombreuses applications différentes, des catalyseurs aux convertisseurs d'énergie
Les techniques d'IA générative, l'apprentissage automatique et les simulations offrent aux chercheurs de nouvelles possibilités d'identifier des matériaux de structure métallo-organique respectueux de l'environnement.
Visualisation scientifique de l'assemblage guidé par l'IA d'une nouvelle structure métallo-organique à forte capacité d'adsorption du dioxyde de carbone et dotée d'éléments de liaison synthétisables. Les éléments constitutifs, prédits par l'IA générative, sont représentés à gauche, tandis que la structure finale prédite par l'IA est représentée à droite.
Image by Xiaoli Yan/University of Illinois Chicago and the ALCF Visualization & Data Analytics Team
La capture du carbone est une technologie essentielle pour réduire les émissions de gaz à effet de serre des centrales électriques et d'autres installations industrielles. Mais il reste encore à trouver un matériau approprié pour capturer efficacement le carbone à faible coût. L'un des candidats est le cadre métallo-organique, ou MOF. Ce matériau poreux peut absorber sélectivement le dioxyde de carbone.
Les molécules des MOF sont constituées de trois types de blocs de construction : des nœuds inorganiques, des nœuds organiques et des liens organiques. Ces éléments peuvent être disposés dans différentes positions et configurations relatives. Par conséquent, il existe d'innombrables configurations potentielles de MOF que les scientifiques peuvent concevoir et tester.
Pour accélérer le processus de découverte, les chercheurs du laboratoire national Argonne du ministère américain de l'énergie (DOE) suivent plusieurs voies. L'une d'entre elles est l'intelligence artificielle générative (IA), qui permet d'imaginer des blocs de construction candidats jusqu'alors inconnus. Une autre est une forme d'IA appelée apprentissage automatique. Une troisième voie est le criblage à haut débit des matériaux candidats. Enfin, la dernière voie est celle des simulations théoriques utilisant une méthode appelée dynamique moléculaire.
Des chercheurs du Beckman Institute for Advanced Science and Technology de l'université de l'Illinois Urbana-Champaign (UIUC), de l'université de l'Illinois à Chicago et de l'université de Chicago se joignent à Argonne dans le cadre de ce projet.
La conception de MOF présentant une sélectivité et une capacité optimales en matière de carbone constitue un défi de taille. Jusqu'à présent, la conception de MOF reposait sur un travail expérimental et informatique minutieux. Cela peut être coûteux et prendre beaucoup de temps.
En explorant l'espace de conception des MOF à l'aide de l'IA générative, l'équipe a pu assembler rapidement, bloc de construction par bloc de construction, plus de 120 000 nouveaux candidats MOF en l'espace de 30 minutes. Ces calculs ont été effectués sur le superordinateur Polaris de l'Argonne Leadership Computing Facility (ALCF). L'ALCF est un centre d'utilisateurs du DOE Office of Science.
Ils se sont ensuite tournés vers le supercalculateur Delta de l'UIUC pour effectuer des simulations de dynamique moléculaire longues et intensives, en utilisant uniquement les candidats les plus prometteurs. L'objectif est de vérifier leur stabilité, leurs propriétés chimiques et leur capacité à capturer le carbone. Delta est une initiative conjointe de l'Illinois et de son National Center for Supercomputing Applications.
L'approche de l'équipe pourrait finalement permettre aux scientifiques de synthétiser uniquement les meilleurs candidats MOF. Cela fait au moins deux décennies que l'on réfléchit aux MOF", explique Eliu Huerta, informaticien à Argonne, qui a participé à la direction de l'étude. Les méthodes traditionnelles impliquent généralement une synthèse expérimentale et une modélisation informatique avec des simulations de dynamique moléculaire. Mais essayer d'étudier le vaste paysage des MOF de cette manière n'est tout simplement pas pratique".
L'équipe disposera bientôt de moyens informatiques encore plus avancés. Grâce à la puissance du supercalculateur exascale Aurora de l'ALCF, les scientifiques pourraient étudier des milliards de MOF candidats à la fois, dont beaucoup n'ont même jamais été proposés auparavant.
De plus, l'équipe s'inspire des travaux antérieurs sur la conception moléculaire pour découvrir de nouvelles façons d'assembler les différents éléments constitutifs d'un MOF.
"Nous voulions ajouter de nouvelles saveurs aux MOF que nous concevions", explique Huerta. Nous avions besoin de nouveaux ingrédients pour la recette de l'IA. L'algorithme de l'équipe peut améliorer les MOF pour la capture du carbone en apprenant la chimie à partir d'ensembles de données expérimentales de biophysique, de physiologie et de chimie physique qui n'ont jamais été prises en compte pour la conception de MOF auparavant.
Pour M. Huerta, le fait d'aller au-delà des approches traditionnelles permet d'espérer la création d'un matériau MOF transformateur - un matériau qui pourrait être efficace pour la capture du carbone, rentable et facile à produire.
"Nous connectons maintenant l'IA générative, le criblage à haut débit, la dynamique moléculaire et les simulations de Monte Carlo dans un flux de travail autonome", a déclaré M. Huerta. Ce flux de travail intègre l'apprentissage en ligne à l'aide de recherches expérimentales et informatiques antérieures afin d'accélérer et d'améliorer la précision de l'IA pour créer de nouveaux MOF.
L'approche atome par atome de la conception des MOF rendue possible par l'IA permettra aux scientifiques d'avoir ce que Ian Foster, scientifique principal à Argonne et directeur de la division Science des données et apprentissage, appelle une "lentille plus large" sur ces types de structures poreuses. Des travaux sont en cours pour que, pour les nouveaux MOF assemblés par l'IA qui sont prédits, nous intégrions les connaissances des laboratoires autonomes afin de valider expérimentalement leur capacité à être synthétisés et leur capacité à capturer le carbone", a déclaré M. Foster. Grâce à l'affinement du modèle, nos prédictions ne cesseront de s'améliorer.
"L'étude démontre le grand potentiel des approches basées sur l'IA dans les sciences moléculaires", a déclaré M. Tajkhorshid, de l'UIUC. Nous espérons étendre la portée de l'approche à des problèmes tels que les simulations biomoléculaires et la conception de médicaments.
"Ce travail témoigne de la collaboration entre des étudiants de troisième cycle et des scientifiques en début de carrière de différentes institutions qui se sont réunis pour travailler sur cet important projet d'IA pour la science", a déclaré M. Huerta. L'avenir restera radieux si nous continuons à inspirer et à être inspirés par de jeunes scientifiques talentueux".
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu A. Huerta, Santanu Chaudhuri, Donny Cooper, Ian Foster, Emad Tajkhorshid; "A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture"; Communications Chemistry, Volume 7, 2024-2-14
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
