机器引导发现新型碳捕集溶剂
机器学习
2023-03-28 v1
摘要
碳捕集技术在治理 CO2 排放部署中日益重要，因此有必要改进捕集材料以实现可扩展性与高效性，但其面临材料开发的挑战，这可能耗费大量成本与时间。机器学习通过高效关联结构-性质关系以筛选并聚焦有前景的候选材料，为减轻材料开发的时间与资源负担提供了可行途径。为展示这一点，我们开发了一个端到端的“发现循环”，以筛选与商业可行的酸气洗涤碳捕集兼容的新型水性胺类。我们将一种简单快速的 CO2 吸收实验室测定法与基于机器学习的分子指纹模型方法相结合。该预测过程在外部测试集上针对两项材料参数达到 60% 的实验准确率，针对单一参数达到 80%。该发现循环确定了几种有前景的胺类，经实验验证此前未应用于碳捕集。在此过程中，我们编制了大型单一来源碳捕集胺类数据集，并开发了用于识别胺分子候选的开源机器学习工具 (https://github.com/IBM/Carbon-capture-fingerprint-generation)。
引用
@article{arxiv.2303.14223,
title = {Machine Guided Discovery of Novel Carbon Capture Solvents},
author = {James L. McDonagh and Benjamin H. Wunsch and Stamatia Zavitsanou and Alexander Harrison and Bruce Elmegreen and Stacey Gifford and Theodore van Kessel and Flaviu Cipcigan},
journal= {arXiv preprint arXiv:2303.14223},
year = {2023}
}
备注
21 single-column pages (LaTex article), 8 figures, 2 tables, separate ESI