Ученые совершили прорыв, придумав эффективный метод производства водородного топлива

Ученые из Университета Саскачевана (Канада), что созданный искусственным интеллектом рецепт катализатора предлагает более эффективный метод производства водородного топлива. Таким образом ИИ помогает обеспечить более быстрый путь к тому, чтобы сделать "зеленую" энергию практичной для широкого использования, пишет interestingengineering.com.

Для производства "зеленого" водорода электричество, вырабатываемое из возобновляемых источников, пропускается между двумя металлическими электродами в воде, что приводит к выделению газов кислорода и водорода. Однако этот процесс является энергоемким и зависит от металлов, которые являются редкими и дорогими. Ученые искали оптимальный сплав, который смог бы действовать в качестве катализатора для достижения более эффективной и легко достижимой реакции.

Исследователи разработали компьютерную программу на базе ИИ, чтобы анализировать сотни миллионов параметров в поиске "кандидатов" на сплавы. ИИ-модель проанализировала более 36 000 комбинаций оксидов металлов с помощью виртуального моделирования, чтобы определить наиболее перспективные варианты. Затем был выбран и протестирован лучший вариант.

Команда также использовала сверхяркие рентгеновские лучи CLS, чтобы оценить эффективность катализатора во время реакции, и усовершенствованный источник фотонов. В итоге, сочетающий рутений, хром и титан в определенных пропорциях, оказалось самым подходящим. Данный сплав продемонстрировал в 20 раз большую стабильность и долговечность, чем эталонный металл, доказав свою долговечность и эффективность.

Хотя программа ИИ подает большие надежды, материал все еще требует тщательного тестирования, чтобы убедиться, что он хорошо работает в реальных условия. Исследователи надеются, что ИИ предоставит более быстрый путь к тому, чтобы сделать "зеленую" энергию практичной для широкого использования.

Ранее мы писали, что в Китае создали первый в мире полностью оптический ИИ-чип. Чип Taichi-II на порядок ускорил обучение оптических сетей, содержащих миллионы параметров, и повысил точность задач классификации на 40%.