新计算方法结合量子力学和机器学习可预测高温下化学反应

在高温下从氧化物中提取金属不仅对于生产钢铁等金属而且对于回收利用都至关重要。由于当前的提取过程是碳密集型的，会排放大量温室气体，因此研究人员一直在探索开发“更绿色”过程的新方法。这项工作在实验室中特别具有挑战性，因为它需要昂贵的反应器。构建和运行计算机模拟将是一种替代方法，但目前还没有计算方法可以在没有实验数据的情况下准确预测高温下化学反应。

哥伦比亚大学工程与应用科学学院团队已经开发了新的计算技术，通过结合量子力学和机器学习，能准确地预测金属氧化物的还原温度，他们的方法在计算上与零温度下的常规计算一样有效，并且在他们的测试中，比使用量子化学方法对温度效应进行计算要求高的模拟更准确。

该研究成果发表在Nature Communications ASAP上。

新方法结合量子力学和机器学习，在没有实验数据的情况下准确预测高温下的氧化物反应；可用于为钢铁生产和金属回收设计清洁的碳中和工艺。

研究人员知道，在极低的温度下，基于量子力学的计算可以准确预测化学反应所需或释放的能量。他们使用机器学习模型增强了这种零温度理论，该模型从公开可用的高温测量中学习了温度依赖性。他们设计了专注于在高温下提取金属的方法，以预测“自由能”随温度的变化，无论是高还是低。 

新方法也将有助于预测例如由可再生电能驱动的清洁电解金属提取工艺设计的熔化温度和溶解度。

这使得机器学习成为未来材料设计的关键发展。为了让机器学习和人工智能发挥其潜力，模型必须具有机械相关性和可解释性。此外，这项工作首次采用了全系统的方法。 获取更多前沿科技 研究进展 访问：https://byteclicks.com

该团队目前正致力于将该方法扩展到其他与温度相关的材料特性，例如溶解度、电导率和熔化，这些特性是设计无碳且由清洁电能驱动的电解金属提取工艺所需的。