Объяснимый ИИ помогает создать улучшенный никелевый катализатор для превращения CO2 в метан

Полный процесс разработки катализатора для метанирования CO₂ с использованием машинного обучения. Автор: ACS Sustainable Chemistry & Engineering (2025). DOI: 10.1021/acssuschemeng.5c02957

Превращение углекислого газа в чистые виды топлива считается важным направлением на пути к углеродной нейтральности. Метанирование CO₂, в частности, привлекает всё больше внимания благодаря своим благоприятным термодинамическим свойствам и экологическим преимуществам. Однако широкое внедрение продолжает сталкиваться с проблемами, такими как недостаточная активность катализаторов при низких температурах и уязвимость к углеродным отложениям.

Исследователи применили framework объяснимого машинного обучения (ML) для поддержки рационального проектирования никелевых катализаторов для метанирования CO₂.

Исследование опубликовано в журнале ACS Sustainable Chemistry & Engineering.

Вместо традиционных методов проб и ошибок, исследование представляет системный подход к обработке данных, перекрёстной проверке и построению ансамблевых моделей обучения. Среди протестированных методов модель категориального бустинга (CatBoost) достигла значений R² 0,77 для конверсии CO₂ и 0,75 для селективности CH₄.

Проанализировав ключевые дескрипторы, исследование определило оптимальные условия реакции: температура между 250–350 °C, объёмная скорость подачи газа ниже 15 000 см³ г^-1 ч^-1, удельная поверхность BET 50–200 м² г^-1 и содержание никеля выше 5%.

Эти данные демонстрируют, как методы, основанные на данных, могут направлять оптимизацию катализаторов и сокращать путь от лабораторных исследований к промышленному применению.

«Эта работа показывает, как машинное обучение может помочь нам лучше понять критические факторы, влияющие на эффективность метанирования CO₂, — сказал Хао Ли, выдающийся профессор Передового института исследований материалов Университета Тохоку (WPI-AIMR). — Делая модели объяснимыми, мы не только предсказываем результаты, но и получаем знания о том, почему важны определённые условия».

Процесс обработки данных и построения модели для машинного обучения катализаторов метанирования CO₂. Автор: ACS Sustainable Chemistry & Engineering (2025). DOI: 10.1021/acssuschemeng.5c02957

Сравнение производительности трёх алгоритмов машинного обучения — XGBoost, Random Forest и CatBoost — в прогнозировании эффективности катализатора выявляет различия в преимуществах разных алгоритмов для конкретных задач. Автор: ACS Sustainable Chemistry & Engineering (2025). DOI: 10.1021/acssuschemeng.5c02957

В перспективе исследовательская группа планирует интегрировать расчёты теории функционала плотности и данные высокопроизводительных экспериментов для построения многомасштабных прогнозных моделей. Они также проведут систематическую экспериментальную проверку для уточнения конструкций катализаторов.

«Наша цель — создать платформу, сочетающую вычислительную химию, машинное обучение и каталитическую инженерию, — пояснил Ли. — Таким образом, мы надеемся внести практический вклад в переработку углерода и эффективное использование возобновляемой энергии».

Это исследование даёт представление о том, как объяснимое машинное обучение может быть применено к исследованиям катализаторов, поддерживая как разработку более чистых видов топлива, так и более широкий переход к устойчивым энергетическим системам.

Дополнительная информация: Jiayi Zhang et al, Application of an Explainable Machine Learning to CO2 Methanation for Optimal Design Nickel-Based Catalysts, ACS Sustainable Chemistry & Engineering (2025). DOI: 10.1021/acssuschemeng.5c02957

Источник: Tohoku University