به گزارش نیوزتل، محققان با توسعه یک چارچوب نوین مبتنی بر یادگیری ماشین، موفق شده اند مسیر طراحی کاتالیست هایی را هموار کنند که پراکسید هیدروژن را مستقیم از آب و برق تولید می کنند؛ دستاوردی که می تواند یکی از پرمصرف ترین مواد شیمیایی جهان را با انرژی کمتر و نگاهی پایدارتر در دسترس قرار دهد.
به گزارش نیوزتل به نقل از ایسنا، پراکسید هیدروژن یکی از پرکاربردترین مواد شیمیایی در زندگی روزمره و صنعت به شمار می رود؛ از ضدعفونی کننده ها و استریل سازی پزشکی گرفته تا پاک سازی های زیست محیطی و فرایندهای متنوع تولیدی. با این وجود، بخش عمده پراکسید هیدروژن جهان همچنان از راه فرایندهای صنعتی بزرگ مقیاس و انرژی بر تولید می شود؛ روش هایی که هزینه بالا و ردپای زیست محیطی قابل توجهی دارند. همین مساله سبب گشته است محققان در سراسر دنیا به دنبال راهکارهای پاک تر و کم مصرف تر برای تولید این ماده حیاتی باشند.
در همین جهت، گروهی از محققان به یک موفقیت مهم علمی دست یافته اند و یک چارچوب محاسباتی جدید عرضه کرده اند که می تواند کاتالیست های کارآمد برای تولید پراکسید هیدروژن به صورت مستقیم از آب و برق را شناسایی کند. این مطالعه که در نشریه معتبر شیمیAngewandte Chemie International Edition انتشار یافته، بر واکنش الکتروشیمیایی اکسایش دوالکترونی آب تمرکز دارد؛ واکنشی که امکان تولید موضعی، پاک و بالقوه پایدار پراکسید هیدروژن را فراهم می آورد.
طراحی کاتالیست برای این واکنش، چالشی پیچیده بوده است. به قول هائو لی، نویسنده اصلی این تحقیق، تنوع بالای کاتالیست ها یکی از موانع اصلی محسوب می شود. کاتالیست ها می توانند در چارچوب آلیاژهای فلزی، اکسیدهای فلزی یا حتی مواد تک اتمی ظاهر شوند و هر یک ساختار اتمی متفاوتی دارند. همین تفاوت ها سبب شده است مقایسه عملکرد آنها یا پیش بینی کارآمدی شان با یک روش واحد، دشوار و زمان بر باشد.
برای غلبه بر این مشکل، تیم تحقیقاتی روشی نوین برای توصیف جایگاه های فعال کاتالیستی در مقیاس اتمی عرضه کرده است. این شیوه که «تابع تقارن اتم محور وزن دهی شده» نام دارد، آرایش هندسی اتم ها و هویت شیمیایی آنها را در قالبی یکپارچه ثبت می کند. محققان این توصیف گرها را با مدلهای یادگیری ماشین و مدل سازی واکنش ها ترکیب کردند تا بتوانند عملکرد مواد مختلف را با دقت بالا پیش بینی کنند.
نتایج به دست آمده نشان داد که این چارچوب می تواند خواص کلیدی واکنش را در قشر بزرگی از انواع کاتالیست ها پیش بینی نماید. جالب آنکه این پیش بینی ها تطابق نزدیکی با محاسبات دقیق کوانتومی و داده های تجربی انتشار یافته پیشین داشت؛ موضوعی که اعتبار و کارآمدی این شیوه را در بین مواد متعدد تأیید می کند.
در گام بعد، محققان با بهره گیری از این مدل، غربالگری سریعی از کاتالیست های بالقوه انجام دادند و بالاخره، اکسید لیتیوم اسکاندیوم با فرمول شیمیایی LiScO₂ را به عنوان گزینه ای بسیار امیدوارکننده شناسایی نمودند. آزمایش های عملی نشان داد که این ماده می تواند پراکسید هیدروژن را با بازدهی حدود ۹۰ درصد تولید نماید و با این حال، پایداری خویش را برای نزدیک به یک هفته کارکرد مداوم حفظ کند.
هائو لی در توضیح اهمیت این موفقیت می گوید: این چارچوب به ما اجازه می دهد اطلاعات مقیاس اتمی را مستقیم به عملکرد قابل اندازه گیری پیوند بزنیم. چنین رویکردی، آزمون وخطا در توسعه کاتالیست ها را به صورت قابل ملاحظه ای می کاهد و فرآیند جست وجو را نظام مندتر می کند.
این چارچوب حالا در «پلتفرم دیجیتال کاتالیست» پیاده سازی شده است؛ پایگاهی که به عنوان بزرگ ترین بانک داده تجربی و محاسباتی کاتالیست ها شناخته می شود و توسط لابراتوار هائو لی توسعه یافته است. کاربران این پلت فرم می توانند به شکل کارآمد، خواص واکنش ها را پیش بینی کنند. از آنجائیکه این شیوه، کلاس های مختلف مواد را به شکل یکسان تحلیل می کند، قابلیت توسعه به فراتر از تولید پراکسید هیدروژن را نیز دارد.
به نقل از ستاد نانو، محققان امیدوارند این رویکرد مبتنی بر هوش مصنوعی، زمینه ساز طراحی کاتالیست های نوین برای سایر واکنش های مهم الکتروشیمیایی شود و بالاخره، به تولید پاک تر مواد شیمیایی و توسعه فناوری های انرژی پایدار در آینده کمک نماید.
حرف آخر اینکه به قول هائو لی، نویسنده اصلی این پژوهش، تنوع بالای کاتالیست ها یکی از موانع اصلی بحساب می آید. کاتالیست ها می توانند در قالب آلیاژهای فلزی، اکسیدهای فلزی یا حتی مواد تک اتمی ظاهر شوند و هر یک ساختار اتمی متفاوتی دارند. آزمایش های عملی نشان داد که این ماده می تواند پراکسید هیدروژن را با بازدهی حدود ۹۰ درصد تولید نماید و با این وجود، پایداری خود را برای نزدیک به یک هفته کارکرد مداوم حفظ کند.
منبع: newstel.ir
