L’umanità si ritrova in un momento in cui il riscaldamento globale non fa altro che predisporre tante minacce per il futuro del genere umano. Purtroppo sono diversi i fattori che influiscono su questa situazione, ed è proprio per questo motivo che servirebbe cercare dei modi per catturare ed immagazzinare la CO2. Questo soprattutto alla luce di tutti i gas serra e proprio dell’anidride carbonica che accelerano il processo di riscaldamento.
“I modelli di apprendimento automatico hanno le potenzialità per scoprire nuovi composti chimici o materiali per combattere il riscaldamento globale. Possono ottenere uno screening virtuale accurato ed efficiente dei candidati allo stoccaggio di CO2 e possono persino generare composti migliori che non sono mai esistiti prima”. Queste sono le parole da parte del professor Barati Farimani, il quale attualmente riveste il ruolo di ingegneria meccanica alla Carnegie Mellon University.
Il tutto è basato su un approccio futuristico ma soprattutto innovativo che il docente ha provato ad utilizzare servendosi di intelligenze artificiali all’avanguardia e del machine learning.
Identificare molecole particolari di liquido ionico, il prof. Farimani sfrutta l’intelligenza artificiale per il processo anti-riscaldamento globale
Il prof. Farimani si è servito proprio del machine learning nel suo nuovo studio pubblicato recentemente per riuscire ad identificare delle molecole particolari di liquido ionico. Si tratta di una famiglia di liquidi rappresentata da sali fusi che restano allo stato liquido a temperatura ambiente. Questi hanno un’altissima stabilità chimica e un’altissima solubilità di CO2. Ciò li rende dunque perfetti per lo stoccaggio dell’anidride carbonica. Questo processo era praticamente impossibile con esperimenti convenzionali ed è proprio per questo che con l’apprendimento automatico si è avuta una marcia in più.
Queste sono le parole che spiegano il metodo cosiddetto GNN:
“Il nostro metodo GNN raggiunge una precisione superiore nella previsione di quanta CO2 possano immagazzinare dati liquidi ionici. A differenza dei precedenti metodi di ML che si basano su funzionalità artigianali, la tecnica GNN apprende direttamente le funzionalità dai grafici molecolari”.
Sarà quindi questo l’inizio per costituire una soluzione valida o un’altro buco nell’acqua?