เว็บตรง / บาคาร่าเว็บตรง การออกแบบตัวเร่งปฏิกิริยาใหม่ที่มีประสิทธิภาพไม่ใช่เรื่องง่าย ในตัวเร่งปฏิกิริยาที่มีองค์ประกอบมากกว่าหนึ่งตัว ตัวอย่างเช่น นักวิจัยไม่เพียงแต่จำเป็นต้องคำนึงถึงการรวมกันขององค์ประกอบที่เป็นไปได้ทั้งหมดเท่านั้น แต่ยังต้องเพิ่มตัวแปรอื่นๆ อีกจำนวนหนึ่ง เช่น ขนาดอนุภาค รูปร่าง และโครงสร้างพื้นผิวด้วย ระดับของการผสมหรือการแยกเฟส
ในที่สุดสิ่งนี้นำไปสู่ผู้สมัครที่มีศักยภาพจำนวนมากอย่างท่วมท้น
เพื่อจัดการกับความท้าทายนี้ นักวิทยาศาสตร์ใช้เทคนิคการออกแบบเชิงคำนวณที่เน้นการคัดแยกส่วนประกอบวัสดุและองค์ประกอบโลหะผสมเพื่อปรับกิจกรรมของตัวเร่งปฏิกิริยาให้เหมาะสมสำหรับปฏิกิริยาที่กำหนด และลดจำนวนโดยรวมของโครงสร้างในอนาคตที่จะต้องทดสอบและพัฒนาแล้ว เทคนิคดังกล่าวต้องใช้วิธีการแบบผสมผสานควบคู่ไปกับการคำนวณทางทฤษฎี ซึ่งอาจใช้เวลานานและซับซ้อน
การกำหนดค่าอะตอมของพื้นผิวที่ดีที่สุด
ทีมงานที่นำโดยZachary Ulissiจาก Carnegie Mellon University ได้ใช้แนวทางที่แตกต่างออกไปโดยการพัฒนาโปรแกรมการเรียนรู้การเสริมแรงเชิงลึก (DRL) ซึ่งเรียกว่า CatGym ซึ่งจะเปลี่ยนตำแหน่งของอะตอมบนพื้นผิวของตัวเร่งปฏิกิริยาเพื่อหาการกำหนดค่าที่ดีที่สุดจาก ได้รับการกำหนดค่าเริ่มต้น
นักวิจัยได้แสดงเทคนิคของพวกเขาโดยทำนายเส้นทางการสร้างพื้นผิวใหม่ของตัวเร่งปฏิกิริยาโลหะผสม Ni 3 Pd 3 Au 2 (111) แบบไตรภาค ผลลัพธ์ของพวกเขาแสดงให้เห็นว่าโปรแกรม DRL ไม่เพียงแต่สามารถนำมาใช้เพื่อสำรวจองค์ประกอบพื้นผิวที่หลากหลายกว่าวิธีการทั่วไปเท่านั้น แต่ยังสามารถสร้างเส้นทางใหม่โดยพิจารณาจากความเอื้ออาทรของพวกมัน
ทีมงานยังแสดงให้เห็นด้วยว่าวิถีทางจลนศาสตร์ที่นำไปสู่องค์ประกอบพื้นผิวที่เสถียร (ด้วยองค์ประกอบพื้นผิวพลังงานต่ำสุดที่ต่ำ) และสถานะการเปลี่ยนแปลงที่เกี่ยวข้องซึ่งคาดการณ์โดยโปรแกรม DRL ตกลงเป็นอย่างดีกับเส้นทางพลังงานขั้นต่ำที่คาดการณ์โดยการคำนวณแบบ “แถบยางยืด” แบบเดิม ทำ “ด้วยมือ”
การป้อนข้อมูลของมนุษย์จำนวนมาก
ในช่วงไม่กี่ปีที่ผ่านมามีความตื่นเต้นอย่างมากในการใช้วิธีการเรียนรู้ด้วยเครื่องเพื่อเร่งการจำลองการเร่งปฏิกิริยา Ulissi กล่าว วิธีการดังกล่าวช่วยลดต้นทุนการคำนวณของแต่ละขั้นตอนในการจำลอง แต่ข้อเสียคือต้องใช้ข้อมูลจากมนุษย์จำนวนมากในการคำนวณ ทั้งนี้เนื่องจากนักวิทยาศาสตร์จำเป็นต้องกำหนดโครงสร้างที่ใช้ตั้งแต่เริ่มแรก ควรตรวจสอบกลไกใด และหากมีแนวทางที่ดีกว่าในการเปลี่ยนจากปฏิกิริยา A ไปเป็นปฏิกิริยา B คำถามทั้งหมดนี้ต้องการผู้เชี่ยวชาญที่ผ่านการฝึกอบรมมาเป็นเวลาหลายวันหรือหลายสัปดาห์ คำตอบ.
“งานใหม่น่าตื่นเต้นมากสำหรับเราเพราะเสนอให้ใช้วิธีการของ DRL เพื่อจัดการกับคำถามเชิงกลยุทธ์เหล่านี้” Ulissi กล่าวกับPhysics World “ด้วยระบบของเรา เราสามารถให้คอมพิวเตอร์สำรวจเส้นทางที่เป็นไปได้ต่างๆ ได้โดยอัตโนมัติ”
พื้นที่แสดงและดำเนินการ
DRL ต้องการสามสิ่ง เขาอธิบาย “อย่างแรกคือการเป็นตัวแทน นั่นคือ เราจะแสดงโครงสร้างอะตอมของตัวเร่งปฏิกิริยาไปยังคอมพิวเตอร์ในลักษณะที่เข้าใจได้อย่างไร ในระบบของเราเราใช้การแสดงร่วมกันจากวรรณกรรม ประการที่สองคือ “พื้นที่ปฏิบัติการ”: เราจะให้คอมพิวเตอร์ทำอะไร? ในแนวทางของเรา มันสามารถเคลื่อนที่อะตอม ค้นหาพลังงานขั้นต่ำ ค้นหาสถานะการเปลี่ยนแปลง หรือเรียกใช้การจำลองไดนามิกสั้นๆ สุดท้ายนี้ เราจะตัดสินใจอย่างไรว่าจะดำเนินการอย่างไรต่อไป? ในกรณีของเรา เราได้ลองใช้รูปแบบ DRL มากมายเพื่อตอบคำถามนี้”
“แง่มุมหนึ่งที่ทำให้โครงการนี้น่าสนใจมากคือเป้าหมายสุดท้ายไม่ชัดเจน” ยูลิสซีอธิบาย “ยกตัวอย่างเช่น ในวิดีโอเกม ชัดเจนว่าคุณต้องการให้ DRL ทำอะไร – เพิ่มคะแนนสุดท้ายให้สูงสุด ดังนั้นเราจึงใช้เวลามากในการกำหนดและระบุเป้าหมายที่ DRL จะทำงานได้ดี”
ตรวจซ้ำผลลัพธ์
Ulissi กล่าวว่าก่อนหน้านี้เขาเคยศึกษากลไกการสร้างพื้นผิวตัวเร่งปฏิกิริยาด้วยมือ ซึ่งอาจเป็นเรื่องที่น่าเบื่อหน่ายมาก “เครื่องมือในการทำให้กระบวนการนี้เป็นแบบอัตโนมัติและเร่งความเร็วไม่เพียงแต่ช่วยให้เราสามารถถามคำถามที่น่าสนใจมากขึ้นเท่านั้น แต่ยังสามารถใช้เพื่อตรวจสอบผลลัพธ์ที่ได้รับจากผู้เชี่ยวชาญที่เป็นมนุษย์อีกครั้ง”แขนหุ่นยนต์ถือขวดทรงกรวย วิธีการคำนวณนำนักวิจัยไปสู่วิชาเคมีที่แม่นยำยิ่งขึ้น
นักวิจัยซึ่งรายงานผลงานของพวกเขาในMachine Learning: Science and Technologyกำลังใช้วิธีการที่พัฒนาขึ้นเพื่อคาดการณ์ว่าพื้นผิวของตัวเร่งปฏิกิริยาสมมุติฐานมีความเสถียรเพียงใด “เรายังหวังว่าจะใช้แนวทางของเราในการทำความเข้าใจกลไกในการเล่นบนพื้นผิวเหล่านี้” Ulissi กล่าวเสริม “การทำเช่นนี้จะช่วยให้เราคิดอย่างสร้างสรรค์เกี่ยวกับสิ่งที่อาจเกิดขึ้นกับตัวเร่งปฏิกิริยาระหว่างปฏิกิริยาในโลกแห่งความเป็นจริง”
เขายอมรับ ข้อจำกัดที่สำคัญอย่างหนึ่งของเทคนิคปัจจุบันคือ เช่นเดียวกับแอปพลิเคชัน DRL ส่วนใหญ่ ต้องใช้ข้อมูลจำนวนมากและตอนการฝึกอบรม “การจำลองที่แม่นยำนั้นต้องใช้การคำนวณอย่างมาก” เขาอธิบาย “และการจำลองที่เราดำเนินการในงานของเรานั้นรวดเร็วแต่เป็นการประมาณที่ค่อนข้างหยาบ” นักวิจัยกำลังพยายามแก้ปัญหานี้ด้วยการใช้โมเดลการเรียนรู้ของเครื่อง ไม่เพียงแต่ทำให้เร็วขึ้นเท่านั้นแต่ยังแม่นยำยิ่งขึ้นอีกด้วย
ขณะนี้มัตสึโอะและซอตโตสกำลังดำเนินการไปสู่เป้าหมายนี้ต่อไป โดยการวัดความต้านทานการสัมผัสทางไฟฟ้าระหว่างเส้นใยคาร์บอนสองชิ้นที่แยกจากกัน ค่านี้เชื่อมต่อโดยตรงกับความต้านทานตามขวางของเส้นใย เช่นเดียวกับพื้นที่สัมผัสระหว่างกัน และมุมที่พวกมันตัดกัน ในอนาคต นักวิจัยยังหวังที่จะประเมินว่าคุณสมบัติทางไฟฟ้าแปรผันอย่างไรภายใต้สภาพแวดล้อมที่แตกต่างกัน เช่น อุณหภูมิ นอกจากนี้ พวกเขาหวังว่าจะทำการทดลองที่คล้ายกันกับเส้นใยที่ทำจากวัสดุนำไฟฟ้าอื่นๆ เช่น โพลีเมอร์หรือโลหะ
การบำบัดด้วยออกซิเจนความดันสูง (HBOT) การรักษาทางการแพทย์ที่เป็นที่ยอมรับซึ่งเกี่ยวข้องกับการหายใจด้วยออกซิเจนบริสุทธิ์ในสภาพแวดล้อมที่มีแรงกดดัน อาจเป็นวิธีการใหม่ในการชะลอการลุกลาม หรือแม้แต่ป้องกันการพัฒนาของโรคอัลไซเมอร์ นั่นคือบทสรุปของการศึกษาใหม่จากนักวิจัยที่มหาวิทยาลัยเทลอาวีฟและศูนย์การแพทย์ชาเมียร์ เว็บตรง / บาคาร่าเว็บตรง
