東北大學的研究團隊近期發表了一項突破性研究，利用可解釋機器學習（Explainable Machine Learning，XML）技術，優化鎳基催化劑，將二氧化碳轉化為甲烷的效率提升至新的高度。這項研究成果刊登於2025年8月22日的《ACS永續化學與工程》期刊，為碳捕獲、利用與封存（CCUS）技術的發展，以及實現碳中和目標，提供了極具潛力的解決方案。
二氧化碳甲烷化技術的挑戰與突破
將二氧化碳轉化為清潔燃料，例如甲烷，是實現碳中和的重要途徑。二氧化碳甲烷化反應因其良好的熱力學性質和環境效益而備受關注。然而，該技術的大規模應用仍面臨諸多挑戰，例如催化劑在低溫下的活性不足，以及容易積碳導致催化劑失活等問題。
傳統的催化劑研發主要依靠試錯法，耗時費力且效率低下。東北大學的研究團隊則另闢蹊徑，採用數據驅動的方法，利用機器學習技術來預測和優化鎳基催化劑的性能。他們系統地收集和處理了大量的實驗數據，並構建了多種機器學習模型，其中一種名為CatBoost的模型在預測二氧化碳轉化率和甲烷選擇性方面表現最佳，其R²值分別達到0.77和0.75，顯示出高度的預測準確性。
可解釋機器學習揭示關鍵影響因素
更重要的是，該研究團隊採用了可解釋機器學習技術，不僅可以預測催化劑的性能，還能揭示影響催化劑性能的關鍵因素。透過分析模型，研究人員發現最佳反應條件為：
溫度介於250-350°C之間，氣體時空速率低於15,000 cm³ g⁻¹ h⁻¹，BET比表面積介於50-200 m² g⁻¹之間，以及鎳含量高於5%。這些發現為催化劑的優化設計提供了明確的方向，縮短了從實驗室研究到工業應用的路徑。
東北大學傑出教授李浩表示：
「這項工作展現了機器學習如何幫助我們更好地理解影響二氧化碳甲烷化性能的關鍵因素。透過使模型可解釋，我們不僅可以預測結果，還能獲得關於為什麼某些條件重要的知識。」
未來展望：構建多尺度預測模型
研究團隊的下一步計劃是整合密度泛函理論計算和高通量實驗數據，構建多尺度預測模型，並進行系統的實驗驗證，以進一步完善催化劑設計。李浩教授解釋說：
「我們的目標是建立一個結合計算化學、機器學習和催化工程的平台。透過這樣做，我們希望為碳循環和可再生能源的有效利用提供實用的解決方案。」
深度分析與觀點
這項研究的意義不僅在於提升了二氧化碳甲烷化的效率，更重要的是，它展示了可解釋機器學習在催化劑研究中的巨大潛力。這種數據驅動的方法，可以有效地加速催化劑的研發進程，降低研發成本，並為開發更清潔的燃料和構建可持續能源系統提供有力支持。
雖然目前的研究成果令人鼓舞，但仍需進一步研究以解決實際應用中可能遇到的問題，例如催化劑的長期穩定性、成本效益以及大規模生產的可行性等。此外，除了鎳基催化劑外，探索其他金屬或合金催化劑，以及開發更有效的機器學習模型，也是未來研究的重要方向。
總體而言，將人工智能技術應用於催化劑設計，代表了催化領域的一個重要發展趨勢。隨著機器學習技術的不断进步和更多实验数据的积累，相信未来会有更多更高效、更稳定的催化剂被开发出来，为应对气候变化和实现可持续发展做出更大的贡献。
Newsflash | Powered by GeneOnline AI
原始資料來源: GO-AI-6號機 Date: September 3, 2025