利用人工智能推進能源技術

工程學院化學工程副教授 Hongliang Xin 和他的合作者設計了一種新的人工智能框架，可以加速重要技術材料的發現，例如燃料電池和碳捕獲裝置。

他們在《自然通訊》雜志上發表的題為“將理論融入深度學習以進行可解釋的反應性預測”的論文詳細介紹了一種稱為 TinNet(理論注入神經網絡的縮寫)的新方法，該方法結合了機器學習算法和用于識別新催化劑的理論。催化劑是觸發或加速化學反應的材料。

TinNet 基于深度學習，也稱為機器學習的一個子領域，它使用算法來模擬人腦的工作方式。1996 年 IBM 的深藍計算機戰勝國際象棋世界冠軍加里卡斯帕羅夫是機器學習的首批進步之一。最近，深度學習在自動駕駛汽車等技術的發展中發揮了重要作用。

Xin 和他的同事希望將機器學習用于催化領域，以開發新的更好的能源技術和產品，以改善日常生活。

“你今天看到的大約 90% 的產品實際上來自催化，”辛說。訣竅是為每個應用程序找到有效和強大的催化劑，而尋找新的催化劑可能很困難。

“了解催化劑如何與不同的中間體相互作用以及如何控制它們在金發區的鍵強度絕對是設計高效催化過程的關鍵，”辛說。“而我們的研究正是為此提供了一個工具。”

Xin 說，機器學習算法很有用，因為它們可以識別大數據集中的復雜模式，而這正是人類不太擅長的。但深度學習有局限性，尤其是在預測高度復雜的化學相互作用時——這是為所需功能尋找材料的必要部分。在這些應用中，有時深度學習會失敗，而且可能不清楚原因。

“大多數為材料特性預測或分類開發的機器學習模型通常被認為是‘黑匣子’，只能提供有限的物理見解，”化學工程研究生和論文合著者 Hemanth Pillai 說。

“TinNet 方法擴展了其預測和解釋能力，這兩者在催化劑設計中都至關重要。” 王思文說，他也是一名化學工程研究生，也是該研究的合著者。

作為一種混合方法，TinNet 將先進的催化理論與人工智能相結合，幫助研究人員深入了解材料設計的這個“黑匣子”，以了解正在發生的事情及其原因，并且可以幫助研究人員在多個領域開辟新天地。

“希望我們可以讓社區普遍使用這種方法，其他人可以使用該技術并真正進一步開發對社會至關重要的可再生能源和脫碳技術，”辛說。“我認為這確實是可以取得一些突破的關鍵技術。”

專門研究機器學習的化學工程教授盧克·阿切尼 (Luke Achenie)與 Xin 以及幫助撰寫該論文的研究生 Shih-Han Wang 合作完成了該項目。現在該團隊正致力于將 TinNet 應用于他們的催化工作。化學工程專業的本科生安迪·阿薩瓦萊 (Andy Athawale) 也加入了這項工作。

“我真的很喜歡在課堂之外看到化學工程的不同方面，”Athawale 說。“它有很多應用程序，你知道，它可能真的是革命性的。所以成為其中的一部分真是太棒了。”