Алгоритм машинного обучения вычислит эффективные поглотители углекислого газа

Ученые с использованием алгоритмов машинного обучения создали модели, способные по химическим и физическим свойствам жидкостей оценивать, насколько хорошо они связывают углекислый газ. Предложенный подход позволит ускорить поиск эффективных, дешевых и экологически чистых поглотителей, которые помогут бороться с выбросами парниковых газов в атмосферу. Результаты исследования, поддержанного грантом Российского научного фонда (РНФ), опубликованы в журнале Separation and Purification Technology.

Развитие промышленности и урбанизация привели к росту выбросов углекислого газа в атмосферу. Он образуется при сжигании ископаемого топлива, работе электростанций, а также любых заводов и предприятий. Поскольку углекислый газ связывают с изменением климата, ученые стремятся уменьшить его выбросы и разрабатывают системы для его улавливания, которые можно размещать на энергетических установках, газогенераторах и других подобных источниках углекислого газа.

Перспективными считаются глубокие эвтектические растворители — вязкие смеси на основе органических или неорганических веществ. В их состав могут входить соли, органические кислоты, сахара, спирты, а также их производные. Глубокие эвтектические растворители образуются за счет того, что их компоненты связываются плотной сетью водородных связей. При образовании таких связей происходит существенное перераспределение («размазывание») заряда на молекулах. За счет этого усиливается физическое взаимодействие между углекислым газом и соответствующими участками молекул растворителя. Также смеси способны поглощать газы путем химического связывания, особенно если в их состав входят амины — азотсодержащие соединения. Однако среди огромного разнообразия всевозможных комбинаций компонентов этих смесей сложно найти ту, что будет наилучшим поглотителем.

Ученые из Института химии растворов имени Г. А. Крестова РАН (Иваново) разработали алгоритм машинного обучения, способный предсказать, насколько хорошо глубокий эвтектический растворитель того или иного состава будет поглощать углекислый газ.

Алгоритм включал несколько отдельных моделей, которые оценивали различные свойства жидкостей: химический состав, строение входящих в них молекул, параметры состояния и температуру плавления. Эти характеристики были выбраны, поскольку они влияют на способность смеси поглощать газы. Для обучения алгоритма исследователи использовали уже известные экспериментальные и литературные данные для 400 смесей. Далее точность алгоритма проверили на другом наборе также уже известных растворителей. Оказалось, что модель по химическому составу смеси с 90% точностью воспроизводила ранее установленную для нее опытным путем способность поглощать углекислый газ.

Авторы использовали разработанный алгоритм для анализа еще не изученных эвтектических растворителей. Из более чем 94 тысяч потенциальных поглотителей модель выбрала 1447 вариантов смесей, компоненты которых связывали углекислый газ с эффективностью более 30 мольных процентов.

«Предложенные вычислительные методы могут использоваться вместо "слепого" экспериментального поиска новых поглотителей углекислого газа, поскольку они позволяют быстро проанализировать десятки тысяч возможных вариантов смесей и найти наилучших "кандидатов"», — рассказывает участник проекта, поддержанного грантом РНФ, Дмитрий Макаров, соавтор исследования, старший научный сотрудник ИХР РАН.

Разработанные авторами алгоритмы находятся в открытом доступе и могут использоваться химиками всего мира для синтеза новых поглотителей углекислого газа.

«Имея свыше 90 тысяч теоретических наборов смесей, с помощью алгоритмов машинного обучения мы отобрали те, что подходили нам по свойствам. Мы планируем расширить количество используемых при скрининге характеристик, в частности добавив модель для прогноза вязкости, от которой также зависят свойства поглотителей. Это позволит еще сильнее сузить круг смесей, рекомендованных к экспериментальному тестированию», — добавил руководитель проекта, поддержанного грантом РНФ, Аркадий Колкер, доктор химических наук, главный научный сотрудник ИХР РАН.