Розділи
Матеріали

Вчені зробили прорив, придумавши ефективний метод виробництва водневого палива

Ірина Рефагі
Фото: Pixabay | Водневе паливо

Дослідники використовували ШІ для того, щоб "зелена" енергетика стала ще доступнішою.

Вчені з Університету Саскачевану (Канада), що створений штучним інтелектом рецепт каталізатора пропонує більш ефективний метод виробництва водневого палива. Таким чином ШІ допомагає забезпечити більш швидкий шлях до того, щоб зробити "зелену" енергію практичною для широкого використання, пише interestingengineering.com.

Для виробництва "зеленого" водню електрика, що виробляється з поновлюваних джерел, пропускається між двома металевими електродами у воді, що призводить до виділення газів кисню та водню. Однак цей процес є енергоємним і залежить від металів, які є рідкісними та дорогими. Вчені шукали оптимальний сплав, який зміг би діяти як каталізатор для досягнення більш ефективної та легко досяжної реакції.

Дослідники розробили комп'ютерну програму на базі ШІ, щоб аналізувати сотні мільйонів параметрів у пошуку "кандидатів" на сплави. ШІ-модель проаналізувала понад 36 000 комбінацій оксидів металів за допомогою віртуального моделювання, щоб визначити найбільш перспективні варіанти. Потім було обрано і протестовано найкращий варіант.

Команда також використовувала надяскраві рентгенівські промені CLS, щоб оцінити ефективність каталізатора під час реакції, і вдосконалене джерело фотонів. У підсумку, поєднання рутенію, хрому й титану в певних пропорціях, виявилося найбільш підходящим. Цей сплав продемонстрував у 20 разів більшу стабільність і довговічність, ніж еталонний метал, довівши свою довговічність та ефективність.

Хоча програма ШІ подає великі надії, матеріал все ще потребує ретельного тестування, щоб переконатися, що він добре працює в реальних умовах. Дослідники сподіваються, що ШІ надасть більш швидкий шлях до того, щоб зробити "зелену" енергію практичною для широкого використання.

Раніше ми писали, що в Китаї створили перший у світі повністю оптичний ШІ-чіп. Чип Taichi-II на порядок прискорив навчання оптичних мереж, що містять мільйони параметрів, і підвищив точність завдань класифікації на 40%.