Combustíveis sintéticos e muito mais graças à aprendizagem automática

O excesso de dióxido de carbono na atmosfera é o principal fator das alterações climáticas. Mas, ao mesmo tempo, também pode ser uma matéria-prima valiosa. Se filtrarmos o_CO2 da atmosfera ou o capturarmos na sua fonte, pode ser utilizado para produzir combustíveis sintéticos e produtos químicos úteis. Para além do dióxido de carbono, basta água, alguma eletricidade de fontes renováveis e um eletrolisador com um catalisador.

No entanto, é aqui que reside o desafio: embora os catalisadores actuais para este processo sejam eficazes, não são suficientemente específicos. A eletrólise produz uma mistura de até 20 compostos líquidos e gasosos diferentes, que só podem ser separados com grande esforço. O desenvolvimento de tecnologias adequadas que forneçam especificamente um ou pelo menos alguns produtos é, por conseguinte, uma questão central de investigação - também na Empa.

A investigadora da Empa, Carlota Bozal-Ginesta, do laboratório "Materiais para a Conversão de Energia", está a desenvolver uma abordagem inovadora para obter melhores eléctrodos para a_{eletrólise do CO2}. Quer compreender melhor a influência da estrutura do elétrodo na composição dos produtos utilizando a aprendizagem automática (ML). Foi-lhe atribuída uma bolsa de dois anos "Empa Young Scientist Fellowship" para este projeto de investigação.

Uma questão de estrutura

Os eléctrodos mais comuns utilizados na_{eletrólise do CO2} são os eléctrodos de difusão de gás. Trata-se de estruturas porosas que são revestidas com o material catalisador ativo - geralmente cobre ou prata. A forma, a disposição e a densidade dos poros podem influenciar o resultado da catálise. No entanto, a forma exacta como o fazem ainda não é totalmente compreendida.

Bozal-Ginesta quer mudar esta situação. Para isso, está a combinar duas coisas: aprendizagem automática e a instalação de alto rendimento para investigação sobre_{eletrólise de CO2}, que foi criada no laboratório de Materiais para Conversão de Energia. "Para utilizar a aprendizagem automática, são necessários grandes conjuntos de dados", explica a investigadora. O sistema, que pode caraterizar oito a dez variantes de catalisadores em simultâneo, é a chave para isso. Bozal-Ginesta combina os dados resultantes com vários métodos de microscopia e espetroscopia.

A aprendizagem automática é utilizada de três formas. "Em primeiro lugar, quero compreender a correlação entre a estrutura do elétrodo e o seu desempenho eletroquímico. Em segundo lugar, quero desenvolver ferramentas baseadas em ML que possam identificar propriedades estruturais úteis nas imagens de microscopia dos eléctrodos. E, finalmente, quero utilizar estes dados para derivar novas estruturas realistas de eléctrodos que possam ter propriedades promissoras", explica o investigador.

Bozal-Ginesta atribui especial importância à utilização bem pensada da tecnologia de aprendizagem automática. A aprendizagem automática e a inteligência artificial são frequentemente utilizadas numa "abordagem de força bruta", com uma preparação limitada dos dados e pouca consideração pelos conhecimentos existentes", explica. Se o conjunto de dados estiver incompleto ou o modelo for impreciso, os resultados também serão incorrectos. "Ainda cabe a nós, cientistas, formular hipóteses e estabelecer prioridades, ou seja, sugerir e validar quais as informações que desempenham um papel mais importante na modelação e previsão do desempenho. O ML é uma ferramenta poderosa para testar as nossas hipóteses. Mas só nós podemos decidir o que é realmente importante", está convencido Bozal-Ginesta.