La mécanique quantique et l’apprentissage automatique utilisés pour prédire avec précision les réactions chimiques à haute température

Avatar photo
Bridging of the Cold Quantum World and High-Temperature Metal Extraction

Par

Pont entre le monde quantique froid et l'extraction de métaux à haute température

Schéma du pont entre le monde quantique froid et l’extraction de métaux à haute température avec l’apprentissage automatique. Crédit : Rodrigo Ortiz de la Morena et Jose A. Garrido Torres/Columbia Engineering

La méthode combine la mécanique quantique avec l’apprentissage automatique pour prédire avec précision les réactions d’oxyde à haute température lorsqu’aucune donnée expérimentale n’est disponible ; pourrait être utilisé pour concevoir des procédés propres et neutres en carbone pour la production d’acier et le recyclage des métaux.

Extraire les métaux des oxydes à haute température est essentiel non seulement pour la production de métaux tels que l’acier mais aussi pour le recyclage. Parce que les procédés d’extraction actuels sont très intensifs en carbone, émettant de grandes quantités de gaz à effet de serre, les chercheurs ont exploré de nouvelles approches pour développer des procédés « plus verts ». Ce travail a été particulièrement difficile à faire en laboratoire car il nécessite des réacteurs coûteux. La construction et l’exécution de simulations informatiques seraient une alternative, mais il n’existe actuellement aucune méthode de calcul qui puisse prédire avec précision les réactions d’oxyde à haute température lorsqu’aucune donnée expérimentale n’est disponible.

Une équipe d’ingénierie de Columbia rapporte qu’elle a développé une nouvelle technique de calcul qui, en combinant la mécanique quantique et l’apprentissage automatique, peut prédire avec précision la température de réduction des oxydes métalliques en leurs métaux de base. Leur approche est aussi efficace sur le plan informatique que les calculs conventionnels à température nulle et, dans leurs tests, plus précise que les simulations exigeantes en calcul des effets de la température utilisant des méthodes de chimie quantique. L’étude, dirigée par Alexander Urban, professeur adjoint de génie chimique, a été publiée le 1er décembre 2021 par Communication Nature.

“La décarbonisation de l’industrie chimique est essentielle si nous voulons passer à un avenir plus durable, mais le développement d’alternatives pour les processus industriels établis est très coûteux et prend beaucoup de temps”, a déclaré Urban. « Une conception de processus de calcul ascendante qui ne nécessite pas d’entrée expérimentale initiale serait une alternative intéressante mais n’a pas encore été réalisée. Cette nouvelle étude est, à notre connaissance, la première fois qu’une approche hybride, combinant des calculs informatiques avec l’IA, a été tentée pour cette application. Et c’est la première démonstration que les calculs basés sur la mécanique quantique peuvent être utilisés pour la conception de processus à haute température.

Les chercheurs savaient qu’à très basse température, les calculs basés sur la mécanique quantique peuvent prédire avec précision l’énergie que les réactions chimiques nécessitent ou libèrent. Ils ont complété cette théorie de la température zéro avec un modèle d’apprentissage automatique qui a appris la dépendance de la température à partir de mesures à haute température accessibles au public. Ils ont conçu leur approche, qui se concentrait sur l’extraction du métal à haute température, pour également prédire l’évolution de « l’énergie libre » avec la température, qu’elle soit élevée ou basse.

« L’énergie libre est une quantité clé de la thermodynamique et d’autres quantités dépendantes de la température peuvent, en principe, en être dérivées », a déclaré José A. Garrido Torres, le premier auteur de l’article qui était stagiaire postdoctoral dans le laboratoire d’Urban et est maintenant un chercheur scientifique à Princeton. “Nous nous attendons donc à ce que notre approche soit également utile pour prédire, par exemple, les températures de fusion et les solubilités pour la conception de procédés d’extraction électrolytique de métaux propres alimentés par de l’énergie électrique renouvelable.”

“L’avenir vient de se rapprocher un peu plus”, a déclaré Nick Birbilis, vice-doyen de la Université nationale australienne Collège d’ingénierie et d’informatique et expert en conception de matériaux axé sur la durabilité à la corrosion, qui n’a pas participé à l’étude. « Une grande partie de l’effort humain et du capital englouti au cours du siècle dernier a été consacré au développement de matériaux que nous utilisons tous les jours – et sur lesquels nous comptons pour notre puissance, notre vol et notre divertissement. Le développement de matériaux est lent et coûteux, ce qui fait de l’apprentissage automatique un développement essentiel pour la conception de futurs matériaux. Pour que l’apprentissage automatique et l’IA atteignent leur potentiel, les modèles doivent être mécaniquement pertinents et interprétables. C’est précisément ce que démontre le travail d’Urban et Garrido Torres. En outre, le travail adopte une approche globale du système pour l’une des premières fois, liant des simulations atomistiques d’un côté à des applications d’ingénierie de l’autre – via des algorithmes avancés.

L’équipe travaille maintenant à étendre l’approche à d’autres propriétés des matériaux dépendantes de la température, telles que la solubilité, la conductivité et la fusion, qui sont nécessaires pour concevoir des processus d’extraction électrolytique de métaux sans carbone et alimentés par une énergie électrique propre.

Référence : « Augmenting zero-Kelvin quantummechanis with machine learning for the Forecast of Chemical Reactions at High Temperatures » par Jose Antonio Garrido Torres, Vahe Gharakhanyan, Nongnuch Artrith, Tobias Hoffmann Eegholm et Alexander Urban, 1er décembre 2021, Communication Nature.
DOI : 10.1038/s41467-021-27154-2

Related Posts