劳伦斯利弗莫尔国家实验室(LLNL)的科学家团队开发了一种机器学习模型，以从原子层面了解胺基吸附剂中的二氧化碳捕获情况。这种创新方法有望提高直接空气捕获(DAC)技术的效率，这对于减少大气中已经存在的过量二氧化碳至关重要。

尽管美国不断努力实现经济脱碳，但美国能源部预测，到2050年，全国大部分能源生产仍将来自不可再生能源。这凸显了不仅需要开发新的可再生能源技术，还需要改进捕获和储存二氧化碳排放的方法。

胺基吸附剂已成为一种有前途的解决方案，即使在超稀条件下也能有效吸附二氧化碳。这些吸附剂成本低廉，使多家公司能够扩大这项技术的规模，证明DAC是一种可行的应对全球变暖的方法。然而，在实验相关条件下捕获二氧化碳的化学方面仍然存在巨大的知识空白。

LLNL团队的机器学习模型显示，胺吸收二氧化碳涉及氨基和二氧化碳之间碳氮化学键的形成，以及一组复杂的溶剂介导的质子转移反应。这些质子转移反应对于最稳定的二氧化碳结合物种的形成至关重要，并受到质子量子涨落的显著影响。

《化学科学》杂志上的一篇论文的主要作者马科斯·卡莱加里·安德拉德(MarcosCalegariAndrade)表示：“我们的方法可以扩展到具有不同化学成分的胺，凸显了机器学习对理解现实条件下二氧化碳捕获所涉及的基本化学原理的影响。”

通过结合巨正则蒙特卡罗方法和分子动力学中的增强采样方法，研究人员获得了可通过实验直接获取的量。这些结果与实验室测量提供了重要的联系，并为未来模拟和实验之间的反馈循环铺平了道路。

“通过将机器学习与先进的模拟技术相结合，我们创建了一种强大的方法，将二氧化碳捕获机制的理论预测与实验验证结合起来，这是传统模拟技术无法实现的，”共同通讯作者兼项目理论负责人、LLNL科学家SichiLi表示。

“这项研究不仅增进了我们对二氧化碳捕获机制的理解，而且还为设计可实现温室气体净零排放的下一代材料提供了一个新的关键工具”，共同通讯作者兼项目首席研究员SimonPang说。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：