Sonder la capture du carbone, atome par atome, avec un modèle d’apprentissage automatique

Une équipe de scientifiques du Lawrence Livermore National Laboratory (LLNL) a développé un modèle d’apprentissage automatique pour acquérir une compréhension au niveau atomique du CO₂ capture dans des sorbants à base d’amine. Cette approche innovante promet d’améliorer l’efficacité des technologies de capture directe de l’air (DAC), qui sont essentielles pour réduire les quantités excessives de CO₂ déjà présent dans l’atmosphère.

Malgré les efforts continus pour décarboner l’économie, le ministère américain de l’Énergie prévoit que la majorité de la production nationale d’énergie proviendra toujours de sources non renouvelables d’ici 2050. Cela souligne le besoin urgent non seulement de développer de nouvelles technologies d’énergie renouvelable, mais aussi d’améliorer les méthodes de capture et de stockage du CO₂ émissions.

Les sorbants à base d’amines sont apparus comme une solution prometteuse, liant efficacement le CO₂ même dans des conditions ultra-diluées. Le faible coût de ces sorbants a permis à plusieurs entreprises de développer cette technologie, démontrant que le DAC est un moyen viable de lutter contre le réchauffement climatique. Cependant, d’importantes lacunes dans les connaissances subsistent dans la chimie du CO₂ capture dans des conditions expérimentalement pertinentes.

Le modèle d’apprentissage automatique de l’équipe LLNL a révélé que le CO₂ la capture par les amines implique la formation d’une liaison chimique carbone-azote entre le groupe amino et le CO₂ainsi qu’un ensemble complexe de réactions de transfert de protons médiées par solvant. Ces réactions de transfert de protons sont essentielles à la formation du CO le plus stable₂-espèces liées et sont significativement influencées par les fluctuations quantiques des protons.

« Notre méthode peut être étendue aux amines ayant différentes compositions chimiques, soulignant l’impact de l’apprentissage automatique dans la compréhension de la chimie fondamentale impliquée dans le CO₂ “capture dans des conditions réalistes”, a déclaré Marcos Calegari Andrade, auteur principal d’un article paru dans Sciences chimiques.

En utilisant une combinaison de méthodes de Monte Carlo grand-canonique et d’échantillonnage améliorées en dynamique moléculaire, les chercheurs ont obtenu des quantités directement accessibles par les expériences. Ces résultats fournissent un lien vital avec les mesures en laboratoire et ouvrent la voie à une future boucle de rétroaction entre les simulations et les expériences.

« En intégrant l’apprentissage automatique à des techniques de simulation avancées, nous avons créé une approche puissante qui relie les prédictions théoriques et les validations expérimentales du CO₂« des mécanismes de capture d’une manière qui n’est pas accessible par les techniques de simulation traditionnelles », a déclaré Sichi Li, scientifique du LLNL, co-auteur correspondant et responsable de la théorie du projet.

« Cette recherche fait non seulement progresser notre compréhension du CO₂ « Les mécanismes de capture ne sont pas seulement un outil nouveau et essentiel pour la conception de matériaux de nouvelle génération qui peuvent contribuer à des émissions nettes de gaz à effet de serre nulles », a déclaré Simon Pang, co-auteur correspondant et chercheur principal du projet.

Les co-auteurs du LLNL incluent également Tuan Anh Pham et Sneha Akhade.