ทีมวิศวกรรมของโคลัมเบียรายงานว่าพวกเขาได้พัฒนาเทคนิคการคำนวณแบบใหม่ โดยการผสมผสานกลศาสตร์ควอนตัมและการเรียนรู้ของเครื่องจักรเข้าด้วยกัน สามารถทำนายอุณหภูมิการลดลงของโลหะออกไซด์ต่อโลหะพื้นฐานได้อย่างแม่นยำ วิธีการของพวกเขามีประสิทธิภาพในการคำนวณเทียบเท่ากับการคำนวณทั่วไปที่อุณหภูมิเป็นศูนย์ และในการทดสอบมีความแม่นยำมากกว่าการจำลองผลกระทบของอุณหภูมิโดยใช้วิธีการทางควอนตัมในการทดสอบ การศึกษานำโดยอเล็กซานเดเมืองผู้ช่วยศาสตราจารย์ด้านวิศวกรรมเคมีที่มีการเผยแพร่ในวันนี้โดยธรรมชาติการสื่อสารที่เร็วที่สุด

"การทำให้อุตสาหกรรมเคมีปลอดคาร์บอนเป็นสิ่งสำคัญ หากเราต้องเปลี่ยนไปสู่อนาคตที่ยั่งยืนมากขึ้น แต่การพัฒนาทางเลือกอื่นสำหรับกระบวนการทางอุตสาหกรรมที่จัดตั้งขึ้นนั้นต้องใช้ต้นทุนสูงและใช้เวลานาน" Urban กล่าว "การออกแบบกระบวนการคำนวณจากล่างขึ้นบนที่ไม่ต้องการอินพุตจากการทดลองเริ่มต้นจะเป็นทางเลือกที่น่าสนใจ แต่ยังไม่ได้รับการตระหนัก การศึกษาใหม่นี้สำหรับความรู้ของเรา เป็นครั้งแรกที่วิธีการแบบไฮบริดที่รวมการคำนวณด้วยคอมพิวเตอร์เข้ากับ แอปพลิเคชันนี้พยายามใช้ AI และเป็นการสาธิตครั้งแรกว่าการคำนวณโดยใช้กลศาสตร์ควอนตัมสามารถใช้สำหรับการออกแบบกระบวนการที่อุณหภูมิสูงได้"

นักวิจัยรู้ว่าที่อุณหภูมิต่ำมาก การคำนวณโดยใช้กลศาสตร์ควอนตัมสามารถทำนายพลังงานที่ต้องการหรือปล่อยปฏิกิริยาเคมีได้อย่างแม่นยำ พวกเขาเสริมทฤษฎีอุณหภูมิเป็นศูนย์นี้ด้วยแบบจำลองการเรียนรู้ด้วยเครื่องที่เรียนรู้การพึ่งพาอุณหภูมิจากการตรวจวัดอุณหภูมิสูงที่เปิดเผยต่อสาธารณะ พวกเขาออกแบบวิธีการซึ่งมุ่งเน้นไปที่การแยกโลหะที่อุณหภูมิสูงเพื่อคาดการณ์การเปลี่ยนแปลงของ "พลังงานอิสระ" ด้วยอุณหภูมิไม่ว่าจะสูงหรือต่ำ

"พลังงานอิสระเป็นปริมาณที่สำคัญของอุณหพลศาสตร์และโดยหลักการแล้วปริมาณที่ขึ้นกับอุณหภูมิสามารถหาได้จากมัน" José A. Garrido Torres ผู้เขียนคนแรกของหนังสือพิมพ์ซึ่งเป็นเพื่อนดุษฏีบัณฑิตในห้องทดลองของ Urban และขณะนี้เป็นงานวิจัย นักวิทยาศาสตร์ที่พรินซ์ตัน "ดังนั้นเราจึงคาดหวังว่าแนวทางของเราจะเป็นประโยชน์ในการทำนาย เช่น อุณหภูมิหลอมเหลวและความสามารถในการละลายสำหรับการออกแบบกระบวนการสกัดโลหะด้วยไฟฟ้าที่สะอาดซึ่งขับเคลื่อนด้วยพลังงานไฟฟ้าหมุนเวียน"

Nick Birbilis รองคณบดีวิทยาลัยวิศวกรรมศาสตร์และวิทยาการคอมพิวเตอร์แห่งมหาวิทยาลัยแห่งชาติออสเตรเลีย และผู้เชี่ยวชาญด้านการออกแบบวัสดุที่เน้นความทนทานต่อการกัดกร่อน ซึ่งไม่ได้มีส่วนร่วมในการศึกษาดังกล่าว กล่าวว่า "อนาคตใกล้เข้ามาแล้วอีกเล็กน้อย" “ความพยายามของมนุษย์และทุนที่ล่มสลายอย่างมากในช่วงศตวรรษที่ผ่านมาคือการพัฒนาวัสดุที่เราใช้ทุกวัน – และเราพึ่งพาพลัง การบิน และความบันเทิงของเรา การพัฒนาวัสดุนั้นช้าและมีค่าใช้จ่ายสูง ซึ่งทำให้ แมชชีนเลิร์นนิงเป็นการพัฒนาที่สำคัญสำหรับการออกแบบวัสดุในอนาคต เพื่อให้แมชชีนเลิร์นนิงและ AI สามารถตอบสนองศักยภาพได้ โมเดลจะต้องมีความเกี่ยวข้องทางกลไกและตีความได้ นี่คือสิ่งที่ Urban และ Garrido Torres แสดงให้เห็นอย่างชัดเจน นอกจากนี้

ทีมงานกำลังทำงานเพื่อขยายแนวทางไปสู่คุณสมบัติของวัสดุที่ขึ้นกับอุณหภูมิอื่นๆ เช่น ความสามารถในการละลาย การนำไฟฟ้า และการหลอมเหลว ซึ่งจำเป็นต่อการออกแบบกระบวนการสกัดโลหะด้วยไฟฟ้าที่ปราศจากคาร์บอนและใช้พลังงานสะอาดบาคาร่า สมัครบาคาร่า