如果我们要缓解气候变化，我们必须找到具有成本效益和可持续的方法来减少工业二氧化碳 (CO 2 ) 排放。不幸的是，大多数成熟的工业后燃烧源碳捕获和储存 (CCS) 方法都存在重大缺点，例如成本高、环境毒性或耐久性问题。在此背景下，许多研究人员将注意力集中在我们对下一代 CCS 系统的最佳选择上：使用固体多孔碳材料吸附CO 2。

使用多孔碳封存CO 2 的一个臭名昭著的优势是它们可以从生物质废物中生产，例如农业废物、食物废物、动物废物和森林碎片。这使得生物质废物衍生的多孔碳 (BWDPC) 具有吸引力，不仅因为它们的成本低，还因为它们提供了一种将生物质废物充分利用的替代方法。虽然 BWDPCs 肯定可以让我们更接近循环经济，但这个研究领域相对年轻，科学家之间没有明确的指导方针或共识，关于如何合成 BWDPCs 或他们应该争取什么样的材料特性和成分。

人工智能(AI)能否帮助我们解决这个难题?在最近发表在《环境科学与技术》上的一项研究中，高丽大学和新加坡国立大学的合作研究团队采用了一种基于机器学习的方法，可以指导未来多孔碳合成策略的发展。科学家们指出，影响BWDPC 中CO 2吸附特性的三个核心因素是：多孔固体的元素组成、其质地特性以及其运行时的吸附参数，例如温度和压力。然而，直到现在，在开发 BWDPC 时应该如何优先考虑这些核心因素仍不清楚。

为了帮助解决这个问题，该团队首先进行了文献回顾，并选择了 76 篇描述各种 BWDPC 的合成和性能的出版物。经过整理，这些论文提供了 500 多个数据点，用于训练和测试三个基于树的模型。领导这项研究的高丽大学教授 Yong Sik Ok 解释说：“我们工作的主要目的是阐明如何利用机器学习工具进行预测分析，并利用 BWDPC为 CO 2吸附过程提供有价值的见解。” .

模型的输入特征是三个核心因素，而输出特征是CO 2吸附水平。尽管模型本身在训练过程后本质上变成了“黑匣子”，但它们可用于仅根据所考虑的核心因素对 BWDPC 的性能进行准确预测。最重要的是，通过特征分析，研究团队确定了每个输入特征对于做出准确预测的相对重要性。换句话说，他们确定了哪些核心因素对实现高 CO 2最重要吸附。结果表明，吸附参数比其他两个核心因素对模型做出正确预测的贡献更大，强调了首先优化操作条件的重要性。BWDPC 的结构特性，例如它们的孔径和表面积，排在第二位，其元素组成排在最后。

值得注意的是，模型的预测和特征重要性分析的结果得到了现有文献和我们目前对 CO 2捕获过程背后机制的理解的支持。正如 Ok 教授解释的那样，这巩固了这种数据驱动策略的实际适用性，不仅适用于 BWDPC，而且适用于其他类型的材料，“我们的建模方法是可交叉部署的，可用于研究其他类型的多孔碳用于 CO 2吸附，例如沸石和金属有机骨架，而不仅仅是来自生物质废物的那些。”

该团队现在计划通过专注于优化两个最重要的核心因素来设计 BWDPC 的合成策略。此外，他们将继续向本研究中使用的数据库添加实验数据点并使其开源，以便研究界也可以从中受益。