人工智能筛选使运输燃料更环保

基于机器学习的逆混合设计方法可以教计算机从一组目标属性中创建混合。由KAUST开发，这可以帮助找到高效燃烧的高性能运输燃料，同时向大气中释放少量二氧化碳(CO2)。

温室气体排放是全球气温上升的主要原因。大部分CO2排放来自为大多数汽车发动机提供动力的碳氢化合物燃料(例如汽油)的燃烧。解决这些环境问题的一个有希望的解决方案是设计能够提高效率和降低碳排放的运输燃料。

为燃料筛选开发了几种方法，但它们通常仅在较小的混合物上得到验证，或者需要额外的预处理，这使得这些配置不适合逆向燃料设计。“关键的瓶颈是筛选包含数百种成分的复杂混合物，以预测物种对所得混合物特性的协同和拮抗作用，”第一作者NursuluKuzhagaliyeva博士说。ManiSarathy研究小组的学生。

Kuzhagaliyeva、Sarathy和同事构建了一个深度学习模型——包括多个专用于特定任务的小型网络——以有效地筛选燃料。“这个问题非常适合深度学习，可以捕捉物种之间的非线性相互作用，”Kuzhagaliyeva说。在逆向设计方法中，研究人员首先定义了与燃烧相关的特性，例如燃料点火质量和碳烟倾向，然后根据这些特性确定潜在的燃料。

可公开获得的实验数据很少。因此，研究人员使用文献中的实验测量建立了一个广泛的数据库来训练模型。该数据库包含不同类型的纯化合物、替代燃料混合物和复杂混合物，例如汽油。

Kuzhagaliyeva说，没有适用于逆向燃料设计的模型，因此研究人员必须在模型中嵌入矢量表示。受使用隐藏向量将单词与短语相关联的文本处理技术的启发，他们引入了一种混合算子，该算子通过线性组合直接连接纯化合物和混合物的隐藏表示。他们还添加了搜索算法来检测与化学空间内的预定义属性相匹配的燃料混合物。

该模型准确地预测了各种分子和混合物的燃料点火质量和碳烟倾向。它还确定了几种符合预定义标准的燃料混合物。

该团队现在正在通过将属性数据库扩展到其他标准(例如挥发性、粘度和污染物形成)来提高模型的准确性。该工具正在被用于配制汽油电子燃料和合成航空燃料。“我们还在开发一个基于云的平台，以使其他人能够使用该工具，”Kuzhagaliyeva说。