编辑/凯霞
在高温下从氧化物中提取金属不仅对于钢铁等金属的生产至关重要，而且对回收利用也必不可少。但当前的提取过程是碳密集型的，会排放大量温室气体。
研究人员一直在探索开发「更绿色」的工艺方法。第一性原理理论的自下而上的计算过程设计，将是一个有吸引力的替代方案，但迄今为止尚未实现。
来自哥伦比亚大学的研究团队开发了一种新的计算技术，将量子力学和机器学习相结合，可准确预测金属氧化物对其「贱金属」的还原温度。该方法在计算上与常规计算一样有效，并且在测试中，比使用量子化学方法对温度效应的计算要求高的模拟更准确。
该研究以「Augmenting zero-Kelvin quantum mechanics with machine learning for the prediction of chemical reactions at high temperatures」为题，于 12 月 1 日发表在《Nature Communications》杂志上。
「如果我们要过渡到更可持续的未来，化学工业的脱碳至关重要，但为现有的工业流程开发替代方案非常耗费成本且耗时，」论文通讯作者 Urban 说。「不需要初始实验输入的自下而上的计算过程设计，将是一个有吸引力的替代方案，但迄今为止尚未实现。据我们所知，这项新研究是首次尝试将计算与人工智能的混合方法用于此应用程序。这是首次证明基于量子力学的计算可用于设计高温过程。」
在这里，研究人员展示了如何用描述温度依赖性的机器学习模型来补充基于第一性原理的量子力学理论，从而能够预测高温下的化学反应。
图示：预测金属氧化物高温特性的混合模型。（来源：论文）
该方法的关键新颖之处在于它利用了已知的热力学关系。基于高斯过程回归（GPR）的 ML 模型的预测和第一性原理计算的结果都进入了控制金属氧化物还原的热力学方程，从而能够定量预测未包含在参考中的氧化物的高温材料特性数据集。通过这种热力学基础，可以在无需额外成本的情况下访问其他与温度相关的物理属性，并且与直接针对特定可观测值训练 ML 模型时相比，其准确性更高。
特别是，研究人员证明了零开尔文第一性原理计算可以通过机器学习的温度效应进行增强，以产生基于物理的 ML 模型，用于以极低的计算成本来高精度地预测高温反应自由能。
「自由能是热力学的一个关键量，原则上可以从中推导出其他与温度相关的量，」该论文的第一作者 José A. Garrido Torres 说。「因此，我们预计我们的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。」
作为一个具体的例子，要将金属氧化物高温冶金还原为其「贱金属」。具体来说，目标是预测使用 C 作为还原剂的金属氧化物（MxOy） 的还原温度，这对应于化学反应：
式（1）对应的反应吉布斯自由能可表示为：
目标是对还原温度 Tred 进行计算预测，高于该温度，ΔrGred(MxOy) 的符号变为负值，并且发生金属氧化物的还原。
接下来，将比较三种不同的计算方法：（1）仅基于第一性原理密度泛函理论（DFT）的 Tred 的完全非经验近似；(2) 从实验还原温度的直接拟合中获得的 ML 模型；（3）一种混合方案，使用温度相关贡献的 ML 模型增强 DFT 零开尔文预测。
正如预期的那样，当模型中包含更高层次的理论时，还原温度的准确性会提高：当对自由能分别从 235 K 到 166 K 和从 265 K 到 202 K 的声子校正（phonon corrections ）时，基于 DFT 的模型的平均绝对误差（MAE）和均方根误差（RMSE）会降低。
然而，包括声子校正在计算上要求很高，并且随着原子数量的增加扩展性很差，这使得具有大晶胞的晶体结构的计算成本很高。
图示：预测和参考金属氧化物还原温度的比较。（来源：论文）
研究人员在 表 1 的实验还原温度上训练了基于 GPR 的 ML 模型，并使用留一法交叉验证 (LOOCV) 量化其准确性。此外，还使用不同的分区进行了多轮交叉验证，以研究预测能力相对于训练/测试折叠大小的稳健性。
表 1：不同金属氧化物的实验参考数据。（来源：论文）
研究观察到 GPR 模型的预测还原温度在准确性上超过了仅使用 DFT 时获得的第一性原理值，即使包括计算成本高的声子校正也是如此。LOOCV 的 MAE 和 RMSE 分别为 105 K 和 127 K，比纯 DFT 预测的误差小 50% 左右。除了大大提高了预测能力之外，与 DFT 相比，GPR 模型的另一个好处是它提供的不确定性估计。
「未来离我们越来越近了，」澳大利亚国立大学工程与计算机科学学院副院长、专注于耐腐蚀的材料设计专家 Nick Birbilis 说。「在过去一个世纪里，人类的大部分精力和消耗的资本都花在了开发我们日常使用的材料上——我们依靠这些材料来提供动力、飞行和娱乐。材料开发缓慢且成本高昂，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。这正是 Urban 和 Garrido Torres 的工作所展示的。此外，这项工作首次采用了全系统方法，通过高级算法将一个终端工程应用程序的原子模拟连接起来。」
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。
论文链接：https://www.nature.com/articles/s41467-021-27154-2
参考内容：https://phys.org/news/2021-12-approach-chemical-reactions-high-temperatures.html
