在高溫下從氧化物中提取金屬不僅對生產鋼鐵等金屬至關重要，而且對回收利用也非常重要。由於目前的提取過程是非常碳密集型的，會排放大量的溫室氣體，研究人員一直在探索新的方法來開發更加綠色的過程。這項工作在實驗室里進行特別具有挑戰性，因為它需要昂貴的反應器。
建立和運行計算機模擬將是一個替代方案，但目前還沒有一種計算方法能在沒有實驗數據的情況下準確預測高溫下的氧化物反應。
現在，來自一個哥倫比亞的工程團隊報告稱，他們已經開發了一種新的計算技術。通過結合量子力學和機器學習，可以準確預測金屬氧化物對其基本金屬的還原溫度。他們的方法在計算上跟傳統的零溫度計算一樣有效，並且在他們的測試中，比使用量子化學方法對溫度影響進行的計算要求更準確。這項研究由化學工程助理教授Alexander Urban領導，於2021年12月1日發表在《Nature Communication》上。
Urban表示：“如果我們要過渡到一個更可持續的未來，化學工業的去碳化是至關重要的，但為既定的工業流程開發替代品是非常成本密集和耗時的。一個不需要初始實驗輸入的自下而上的計算過程設計將是一個有吸引力的替代方案，但到目前為止還沒有實現。據我們所知，這項新研究是第一次嘗試採用混合方法，即將計算跟人工智能相結合用於這一應用。並且它首次證明了基於量子力學的計算可以用於高溫過程的設計。”
研究人員知道，在非常低的溫度下，基於量子力學的計算可以準確預測化學反應所需要或釋放的能量。他們用一個機器學習模型增強了這種零溫度理論，該模型從公開的高溫測量中學習了溫度依賴性。他們設計了他們的方法，重點是在高溫下提取金屬，同時也預測“自由能”隨着溫度的變化而變化–無論它是高還是低。
研究論文的第一作者José A. Garrido Torres指出：“自由能是熱力學的一個關鍵量，其他跟溫度有關的量原則上可以從它得因此，我們期望我們的方法也將有助於預測，如熔化溫度和溶解度，用來設計由可再生電能驅動的清潔電解金屬提取過程。”
澳大利亞國立大學工程和計算機科學學院副院長、專註於腐蝕耐久性的材料設計專家、未參與這項研究的Nick Birbilis表示：“未來剛剛變得更近了一點。在過去的一個世紀里，人類的大部分努力和沉沒的資本都在開發我們每天使用的材料–我們的動力、飛行和娛樂都依賴於這些材料。材料開發是緩慢而昂貴的，這使得機器學習成為未來材料設計的關鍵發展。為了讓機器學習和人工智能發揮其潛力，模型必須在機械上具有相關性和可解釋性。而這正是Urban和Garrido Torres的工作所展示的。此外，這項工作首次採用了整個系統的方法，它通過先進的算法將原子模擬跟工程應用聯繫在一起”。
該團隊現在正在致力於將該方法擴展到其他跟溫度有關的材料特性，如溶解度、導電性和熔化，這些特性則都是設計無碳和由清潔電能驅動的電解金屬提取過程所需要的。