Superkomputer dan AI Mengungkap Materi Rahasia untuk Penangkapan Karbon Generasi Berikutnya

Bahan kerangka logam-organik (MOF) dapat digunakan dalam berbagai aplikasi, mulai dari katalis hingga konverter energi.

teknik AI generatif, pembelajaran mesindan simulasi memberi para peneliti peluang baru untuk mengidentifikasi bahan kerangka logam-organik yang ramah lingkungan.

Penangkapan karbon merupakan teknologi penting dalam mengurangi emisi gas rumah kaca dari pembangkit listrik dan fasilitas industri lainnya. Namun, bahan yang cocok untuk menangkap karbon secara efektif dengan biaya rendah masih belum ditemukan. Salah satu kandidatnya adalah kerangka logam-organik, atau Kementerian Keuangan. Bahan berpori ini mampu menyerap karbon dioksida secara selektif.

Kompleksitas Konfigurasi Kementerian Keuangan

MOF memiliki tiga jenis bahan penyusun dalam molekulnya — simpul anorganik, simpul organik, dan penghubung organik. Ini dapat diatur dalam posisi dan konfigurasi relatif yang berbeda. Hasilnya, terdapat banyak konfigurasi Treasury potensial yang dapat dirancang dan diuji oleh para ilmuwan.

Mempercepat Penemuan melalui AI dan Superkomputer

Untuk mempercepat proses penemuan, para peneliti dari Laboratorium Nasional Argonne Departemen Energi AS (DOE) mengikuti beberapa jalur. Salah satunya adalah kecerdasan buatan generatif (AI) untuk memimpikan kandidat yang sebelumnya tidak diketahui. Bentuk lainnya adalah AI yang disebut dengan pembelajaran mesin. Jalur ketiga adalah penyaringan kandidat materi dengan throughput tinggi. Dan yang terakhir adalah simulasi berbasis teori dengan menggunakan metode yang disebut dinamika molekuler.

Bergabung dengan Argonne dalam proyek ini adalah para peneliti dari Beckman Institute for Advanced Science and Technology di University of Illinois Urbana-Champaign (UIUC), University of Illinois di Chicago, dan Universitas Chicago.

Merancang Kementerian Keuangan dengan selektivitas dan kapasitas karbon yang optimal merupakan sebuah tantangan besar. Hingga saat ini, rancangan Kementerian Keuangan mengandalkan kerja eksperimental dan komputasi yang sungguh-sungguh. Ini bisa mahal dan memakan waktu.

Dengan menjelajahi ruang desain Kemenkeu menggunakan AI generatif, tim dapat dengan cepat merakit, membangun blok demi blok, lebih dari 120.000 calon Kementerian Keuangan baru dalam waktu 30 menit. Mereka menjalankan perhitungan ini pada superkomputer Polaris di Argonne Leadership Computing Facility (ALCF). ALCF merupakan fasilitas pengguna DOE Office of Science.

Mereka kemudian beralih ke superkomputer Delta di UIUC untuk melakukan simulasi dinamika molekuler yang memakan waktu, hanya menggunakan kandidat yang paling menjanjikan. Tujuannya adalah untuk menyaring stabilitas, sifat kimia dan kapasitas penangkapan karbon. Delta adalah upaya bersama Illinois dan National Supercomputing Applications Center.

Era Baru Desain Kementerian Keuangan

Pendekatan tim ini pada akhirnya memungkinkan para ilmuwan untuk mensintesis kandidat terbaik dari Kementerian Keuangan. ​“Orang-orang telah memikirkan MOF setidaknya selama dua dekade,” kata ilmuwan komputasi Argonne Eliu Huerta, yang membantu memimpin penelitian ini. ​Metode tradisional biasanya melibatkan sintesis eksperimental dan pemodelan komputasi dengan simulasi dinamika molekul. Namun mencoba mensurvei lanskap Departemen Keuangan yang luas dengan cara ini tidaklah praktis.”

Komputasi yang lebih canggih akan segera tersedia untuk digunakan tim. Dengan kekuatan superkomputer Aurora exascale milik ALCF, para ilmuwan dapat mensurvei miliaran kandidat Departemen Keuangan sekaligus, termasuk banyak kandidat yang belum pernah diajukan sebelumnya.

Terlebih lagi, tim ini mengambil inspirasi kimia dari penelitian sebelumnya tentang desain molekul untuk menemukan cara baru agar berbagai elemen pembentuk MOF dapat digabungkan.

“Kami ingin menambahkan cita rasa baru pada Departemen Keuangan yang kami rancang,” kata Huerta. “Kami membutuhkan bahan-bahan baru untuk resep AI.” Algoritme tim mampu melakukan perbaikan pada MOF untuk penangkapan karbon dengan mempelajari kimia kumpulan data eksperimen biofisika, fisiologi, dan kimia fisik yang belum pernah dipertimbangkan untuk desain MOF sebelumnya.

Bagi Huerta, melihat lebih jauh dari pendekatan tradisional akan menghasilkan material Treasury yang transformatif – material yang dapat menyerap karbon dengan baik, hemat biaya, dan mudah diproduksi.

“Kami sekarang menghubungkan AI generatif, penyaringan throughput tinggi, dinamika molekuler, dan simulasi Monte Carlo ke dalam alur kerja mandiri,” kata Huerta.​ “ Alur kerja ini menggabungkan pembelajaran online menggunakan penelitian eksperimental dan komputasi masa lalu untuk mempercepat dan meningkatkan presisi AI untuk menciptakan Kementerian Keuangan baru.”

Itu atomPendekatan berbasis atom yang didukung AI pada desain Kementerian Keuangan akan memungkinkan para ilmuwan untuk memiliki apa yang oleh ilmuwan senior Argonne dan direktur divisi Sains dan Pembelajaran Data, Ian Foster, disebut sebagai “lensa yang lebih luas” pada jenis struktur berpori ini. “Pekerjaan sedang dilakukan sehingga, untuk Kementerian Keuangan baru yang dibuat dengan AI yang sedang diprediksi, kami menggabungkan wawasan dari laboratorium otonom untuk memvalidasi secara eksperimental kemampuan mereka untuk disintesis dan kapasitas untuk menangkap karbon,” kata Foster.​ “Seiring dengan peningkatan model, prediksi kami akan menjadi lebih baik dan lebih baik lagi.”

Makalah berdasarkan penelitian ini ditulis oleh Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu Huerta, Santanu Chaudhuri, Donny Copper, Ian Foster dan Emad Tajkhorshid. Itu muncul di edisi online Kimia Komunikasi Alam.

“Studi ini menunjukkan potensi besar penggunaan pendekatan berbasis AI dalam ilmu molekuler,” kata Tajkhorshid dari UIUC. “Kami berharap dapat memperluas cakupan pendekatan terhadap masalah seperti simulasi biomolekuler dan desain obat.”

“Pekerjaan ini merupakan bukti kolaborasi antara mahasiswa pascasarjana dan ilmuwan karir awal dari berbagai institusi yang bekerja sama dalam proyek AI yang penting bagi sains ini,” kata Huerta. ​”Masa depan akan tetap cerah seiring kami terus menginspirasi dan terinspirasi oleh para ilmuwan muda berbakat.”

Referensi: “Kerangka kerja kecerdasan buatan generatif berdasarkan model difusi molekuler untuk desain kerangka logam-organik untuk penangkapan karbon” oleh Hyun Park, Xiaoli Yan, Ruijie Zhu, Eliu A. Huerta, Santanu Chaudhuri, Donny Cooper, Ian Foster dan Emad Tajkhorshid, 14 Februari 2024, Kimia Komunikasi.
DOI: 10.1038/s42004-023-01090-2

Pekerjaan ini didukung oleh Kantor Ilmu Pengetahuan DOE, Kantor Penelitian Komputasi Ilmiah Tingkat Lanjut, dana penelitian dan pengembangan yang diarahkan oleh laboratorium, dan National Science Foundation.