編輯/凱霞
在高溫下從氧化物中提取金屬不僅對於鋼鐵等金屬的生產至關重要，而且對回收利用也必不可少。但當前的提取過程是碳密集型的，會排放大量溫室氣體。
研究人員一直在探索開發「更綠色」的工藝方法。第一性原理理論的自下而上的計算過程設計，將是一個有吸引力的替代方案，但迄今為止尚未實現。
來自哥倫比亞大學的研究團隊開發了一種新的計算技術，將量子力學和機器學習相結合，可準確預測金屬氧化物對其「賤金屬」的還原溫度。該方法在計算上與常規計算一樣有效，並且在測試中，比使用量子化學方法對溫度效應的計算要求高的模擬更準確。
該研究以「Augmenting zero-Kelvin quantum mechanics with machine learning for the prediction of chemical reactions at high temperatures」為題，於 12 月 1 日發表在《Nature Communications》雜誌上。
「如果我們要過渡到更可持續的未來，化學工業的脫碳至關重要，但為現有的工業流程開發替代方案非常耗費成本且耗時，」論文通訊作者 Urban 說。「不需要初始實驗輸入的自下而上的計算過程設計，將是一個有吸引力的替代方案，但迄今為止尚未實現。據我們所知，這項新研究是首次嘗試將計算與人工智慧的混合方法用於此應用程式。這是首次證明基於量子力學的計算可用於設計高溫過程。」
在這裡，研究人員展示瞭如何用描述溫度依賴性的機器學習模型來補充基於第一性原理的量子力學理論，從而能夠預測高溫下的化學反應。
圖示：預測金屬氧化物高溫特性的混合模型。（來源：論文）
該方法的關鍵新穎之處在於它利用了已知的熱力學關係。基於高斯過程迴歸（GPR）的 ML 模型的預測和第一性原理計算的結果都進入了控制金屬氧化物還原的熱力學方程，從而能夠定量預測未包含在參考中的氧化物的高溫材料特性資料集。透過這種熱力學基礎，可以在無需額外成本的情況下訪問其他與溫度相關的物理屬性，並且與直接針對特定可觀測值訓練 ML 模型時相比，其準確性更高。
特別是，研究人員證明了零開爾文第一性原理計算可以透過機器學習的溫度效應進行增強，以產生基於物理的 ML 模型，用於以極低的計算成本來高精度地預測高溫反應自由能。
「自由能是熱力學的一個關鍵量，原則上可以從中推匯出其他與溫度相關的量，」該論文的第一作者 José A. Garrido Torres 說。「因此，我們預計我們的方法也將有助於預測，例如由可再生電能驅動的清潔電解金屬提取工藝設計的熔化溫度和溶解度。」
作為一個具體的例子，要將金屬氧化物高溫冶金還原為其「賤金屬」。具體來說，目標是預測使用 C 作為還原劑的金屬氧化物（MxOy） 的還原溫度，這對應於化學反應：
式（1）對應的反應吉布斯自由能可表示為：
目標是對還原溫度 Tred 進行計算預測，高於該溫度，ΔrGred(MxOy) 的符號變為負值，並且發生金屬氧化物的還原。
接下來，將比較三種不同的計算方法：（1）僅基於第一性原理密度泛函理論（DFT）的 Tred 的完全非經驗近似；(2) 從實驗還原溫度的直接擬閤中獲得的 ML 模型；（3）一種混合方案，使用溫度相關貢獻的 ML 模型增強 DFT 零開爾文預測。
正如預期的那樣，當模型中包含更高層次的理論時，還原溫度的準確性會提高：當對自由能分別從 235 K 到 166 K 和從 265 K 到 202 K 的聲子校正（phonon corrections ）時，基於 DFT 的模型的平均絕對誤差（MAE）和均方根誤差（RMSE）會降低。
然而，包括聲子校正在計算上要求很高，並且隨著原子數量的增加擴充套件性很差，這使得具有大晶胞的晶體結構的計算成本很高。
圖示：預測和參考金屬氧化物還原溫度的比較。（來源：論文）
研究人員在 表 1 的實驗還原溫度上訓練了基於 GPR 的 ML 模型，並使用留一法交叉驗證 (LOOCV) 量化其準確性。此外，還使用不同的分割槽進行了多輪交叉驗證，以研究預測能力相對於訓練/測試摺疊大小的穩健性。
表 1：不同金屬氧化物的實驗參考資料。（來源：論文）
研究觀察到 GPR 模型的預測還原溫度在準確性上超過了僅使用 DFT 時獲得的第一性原理值，即使包括計算成本高的聲子校正也是如此。LOOCV 的 MAE 和 RMSE 分別為 105 K 和 127 K，比純 DFT 預測的誤差小 50% 左右。除了大大提高了預測能力之外，與 DFT 相比，GPR 模型的另一個好處是它提供的不確定性估計。
「未來離我們越來越近了，」澳大利亞國立大學工程與計算機科學學院副院長、專注於耐腐蝕的材料設計專家 Nick Birbilis 說。「在過去一個世紀裡，人類的大部分精力和消耗的資本都花在了開發我們日常使用的材料上——我們依靠這些材料來提供動力、飛行和娛樂。材料開發緩慢且成本高昂，這使得機器學習成為未來材料設計的關鍵發展。為了讓機器學習和人工智慧發揮其潛力，模型必須具有機械相關性和可解釋性。這正是 Urban 和 Garrido Torres 的工作所展示的。此外，這項工作首次採用了全系統方法，透過高階演算法將一個終端工程應用程式的原子模擬連線起來。」
該團隊目前正致力於將該方法擴充套件到其他與溫度相關的材料特性，例如溶解度、電導率和熔化，這些特性是設計無碳且由清潔電能驅動的電解金屬提取工藝所需的。
論文連結：https://www.nature.com/articles/s41467-021-27154-2
參考內容：https://phys.org/news/2021-12-approach-chemical-reactions-high-temperatures.html
