Yeni güneş enerjisiyle çalışan katalizör, metanı çok daha az enerjiyle yüksek değerli etilene dönüştürüyor

Bir araştırma ekibi, dünyanın en inatçı sera gazlarından biri olan metanı, plastiklerde, tekstil ürünlerinde ve çözücülerde kullanılan yüksek değerli bir kimyasal olan etilene dönüştüren güneş enerjisiyle çalışan çığır açıcı bir buluşu ortaya koydu.

Metan dönüşümü için genellikle ihtiyaç duyulan aşırı ısıya güvenmek yerine, bu süreçte Avustralya'nın yoğun güneş ışığı ve yeni bir katalizörden başka bir şey kullanılmıyor.

Uluslararası proje, Queensland Üniversitesi Fahri Profesörü Lianzhou Wang liderliğinde ve Queensland Üniversitesi Kimya Mühendisliği Fakültesi'nden Dr. Zhiliang Wang ile birlikte kaleme alındı. Çalışmaları, metan emisyonlarını kaynağında azaltırken daha temiz kimyasal üretiminin önünü açabilir.

Metan, özellikle tarım ve kömür madenciliğinden kaynaklanan emisyonların önemli olduğu Avustralya gibi ülkelerde uzun zamandır ciddi bir iklim sorunu olarak kabul ediliyor.

100 yıllık bir süre boyunca atmosferdeki ısıyı hapsetme konusunda karbondioksitten 25 kat daha güçlü. Hayvancılık, kömür madenciliği ve doğal gaz faaliyetlerinden kaynaklanan yüksek emisyonlar, küresel ısınmaya önemli ölçüde katkıda bulunmaktadır.

Geleneksel işleme yöntemleri, ağır finansal ve çevresel maliyetler taşıyacak kadar yüksek sıcaklıklar gerektirir.

Dr. Wang, geleneksel yöntemlerin oldukça enerji yoğun olduğunu söyledi. "Geleneksel metan işleme yöntemleri genellikle son derece yüksek sıcaklıklar gerektirir; bu da üretimi maliyetli ve çevreye zararlıdır," dedi.

Güneş Enerjili Kimya Atılımı

Ekip, ısı yerine titanyum dioksit ile eşleştirilmiş bir paladyum-altın alaşımı katalizörüne güveniyor. Güneş ışığına maruz kaldığında, bu katalizör metanı doğrudan etilene dönüştüren bir reaksiyonu tetikliyor.

Yenilik, reaksiyon yolunun yeniden yönlendirilmesinde yatıyor. Dr. Wang, "Bu katalizör, metanı karbondioksite aşırı oksitlemek yerine, reaksiyon yolunu etilen oluşumunu destekleyecek şekilde ayarlıyor," dedi.

Alaşımın sinerjik bir kokteyl gibi davrandığını açıkladı. "Bu, iki farklı katalizörü bir kokteylde karıştırmak gibi; alaşım her iki metalin de en iyi özelliklerini ortaya çıkarıyor."

Araştırmacılar, sürecin metan emisyonlarını kaynağında da ele alabileceğini söylüyor. "Avustralya'da tarım ve kömür madenciliğinden kaynaklanan metan emisyonları, karbondioksit emisyonlarından daha ciddi bir sorun," dedi.

Atık Değere Dönüştürmek

Güneş ışığını enerji girdisi olarak kullanarak, süreç zararlı emisyonları ekonomik açıdan değerli kimyasallara dönüştüren uygun fiyatlı ve ölçeklenebilir bir yaklaşım sunabilir.

Dr. Wang, "Ancak araştırmalarımız, yoğun güneş ışığımızı değerli bir ürün üretmek için kullanarak bir sorunu fırsata dönüştürebileceğimizi gösteriyor," dedi.

Ekip, gelecekte hayvancılık tesisleri de dahil olmak üzere metan açısından zengin tesislerin yakınında konuşlandırılacağını öngörüyor. Dr. Wang, "Endüstriyel uygulamalar için, metan emisyonlarının meydana geldiği çatılara bir fotokatalizör yatağı döşenebilir," dedi.

Günümüzdeki pratik sınırlamalardan biri maliyet. Paladyum ve altın pahalı metallerdir. Ancak araştırmacılar şimdiden alternatifler araştırıyor. "Mevcut katalizörümüz altın gibi pahalı metaller içeriyor, ancak yaygın olarak bulunan demir gibi daha ucuz alternatifler de araştırıyoruz," dedi.

Uzun vadeli hedefleri ise daha geniş bir kullanım alanı bulmak. Dr. Wang, "Amacımız, süreci verimli ve uygun maliyetli hale getirerek yaygın olarak benimsenmesini sağlamak" dedi.

Kaynak: IE

Washington Üniversitesi Nobel ödüllü laboratuvarı, şimdiye kadarki en güçlü protein tasarım aracını piyasaya sürdü

David Baker'ın Washington Üniversitesi'ndeki laboratuvarı, yapay zeka destekli protein tasarımı alanında iki büyük atılım duyurdu. İlki, mevcut RFdiffusion2 aracının geliştirilmiş bir versiyonu ve artık doğada bulunanlarla neredeyse aynı performansa sahip enzimler tasarlayabiliyor. İkincisi ise, araştırmacıların bugüne kadarki en güçlü ve çok yönlü protein mühendisliği teknolojisi olarak adlandırdığı RFdiffusion3 adlı modelinin yeni ve genel amaçlı bir versiyonunun piyasaya sürülmesi.

Baker, geçen yıl, RFdiffusion adlı derin öğrenme modelini de içeren protein bilimindeki öncü çalışmaları nedeniyle Nobel Kimya Ödülü'nü aldı. Bu araç, bilim insanlarının daha önce var olmayan yeni proteinler tasarlamalarına olanak tanıyor. Bu makine yapımı proteinler, daha önce tedavi edilemeyen hastalıklar için ilaç geliştirmekten zorlu çevresel sorunları çözmeye kadar muazzam bir gelecek vaat ediyor.

Baker, çekirdek teknolojinin ilk versiyonunu 2023'te, ardından bu yılın başlarında RFdiffusion2'yi yayınlayan UW Protein Tasarım Enstitüsü'ne liderlik ediyor. İkinci model, moleküllerin dönüşümünü düzenleyen ve kimyasal reaksiyonları önemli ölçüde hızlandıran proteinler olan enzimlerin oluşturulması için ince ayar yapıldı.

En son başarılar bugün önde gelen bilimsel dergiler Nature ve Nature Methods'daki yayınlarda ve geçen ay bioRxiv'de yayınlanan bir ön baskıda paylaşılıyor.

Enzim yapımı için daha iyi bir model

RFdiffusion2'nin geliştirilmiş versiyonunda, araştırmacılar teknolojiyi yönlendirmek için daha müdahaleci olmayan bir yaklaşım benimsediler ve ona belirli bir enzimatik görevi yerine getirmesi için belirli özellikler verdiler, ancak diğer özelliklerini belirtmediler. Ekibin bir basın bülteninde açıkladığı gibi, araç "işlev görmek için kimya ve fizik yasalarına uyması gereken fiziksel nanomakineler için planlar" üretiyor.

Baker'ın laboratuvarında lisansüstü öğrencisi ve bugün yayınlanan her iki makalenin de yazarı olan Seth Woodbury, "Modele keşfetmesi için tüm bu alanı veriyorsunuz ve... gerçekten çok geniş bir alanı tarayıp harika çözümler üretmesine olanak tanıyorsunuz," dedi.

UW bilim insanlarının yanı sıra, MIT ve İsviçre'nin Zürih ETH Üniversitesi'nden araştırmacılar da çalışmaya katkıda bulundu.

Yeni yaklaşım, daha yüksek performanslı enzimleri hızla üretmesi açısından dikkat çekici. Aracın testinde, önceki versiyonda yalnızca 16 zor enzim tasarım zorluğuna kıyasla, 41 zorlu enzim tasarım zorluğundan 41'ini çözebildi.

Doktora sonrası araştırmacı ve RFdiffusion2'nin baş geliştiricisi Rohith Krishna, "Enzimleri tasarladığımızda, evrimin milyarlarca yıl boyunca bulduğu doğal enzimlerden her zaman kat kat daha kötü oluyorlar," dedi. "Bu, şimdiye kadarki en iyi enzimlerden biri olmadığımız, ancak doğal enzimlerin seviyesinde olduğumuz ilk zamanlardan biri."

Araştırmacılar, hassas bir şekilde konumlandırılmış bir metal iyonu ve aktive edilmiş bir su molekülü kullanarak zorlu reaksiyonları hızlandıran metalohidrolazlar adı verilen proteinler oluşturmak için modeli başarıyla kullandılar. Tasarlanan enzimler, kirleticilerin imhası da dahil olmak üzere önemli uygulamalara sahip olabilir.

Baker, hızla tasarlanan katalitik enzimlerin vaadinin geniş kapsamlı uygulamaların önünü açabileceğini söyledi.

"Yapay zeka ile gerçekten ele aldığımız ilk sorun, büyük ölçüde terapötikti ve ilaç hedeflerine bağlayıcılar üretmekti," dedi. "Ancak şimdi katalizle sürdürülebilirlik gerçekten ön plana çıkıyor."

Araştırmacılar ayrıca, hücreler içindeki proteinler ve enzimlerle etkileşime girerek, genellikle işlevlerini bloke ederek veya güçlendirerek biyolojik süreçleri etkileyen küçük moleküllü ilaçlar olarak bilinen ilaçları üretmenin daha düşük maliyetli yollarını bulmak için Gates Vakfı ile birlikte çalışıyorlar.

Bugüne kadarki en güçlü model

RFdiffusion2 enzim üretmek üzere ince ayarlı olsa da, Protein Tasarım Enstitüsü araştırmacıları da geniş kapsamlı işlevselliğe sahip bir araç geliştirmek için istekliydi. RFdiffusion3, bu yeni yapay zekâ modeli. Hücrelerde bulunan hemen hemen her tür molekülle etkileşime girebilen proteinler üretebiliyor; enzimle ilgili işlevlerin yanı sıra DNA, diğer proteinler ve küçük moleküllere bağlanma yeteneği de buna dahil.

RFdiffusion3'ün baş geliştiricilerinden Krishna, "Giderek daha karmaşık sistemler geliştirmek konusunda gerçekten heyecanlıyız, bu yüzden her uygulama için özel modeller kullanmak istemedik. Her şeyi tek bir temel modelde birleştirmek istedik," dedi.

Ekip bugün yeni makine öğrenimi aracının kodunu kamuoyuna açıklıyor.

Krishna, "Başkalarının bu araç üzerine neler inşa edeceğini görmek için gerçekten heyecanlıyız," dedi.

Baker, Protein Tasarım Enstitüsü'nün istikrarlı model güncellemeleri, atılımları ve birinci sınıf dergilerde yayınlanan yayınları hız kesmeden devam etse de, perde arkasında birçok tökezleme yaşandığını söyledi.

"Bittiğinde her şey kulağa güzel ve basit geliyor," dedi. "Ama bu süreçte, her zaman işe yaramayacak gibi görünen anlar oluyor."

Ancak araştırmacılar çalışmaya devam ediyor ve en azından şimdiye kadar, ileriye giden bir yol bulmaya devam ediyorlar. Enstitü, şirketler kuran veya kendi akademik laboratuvarlarını kuran yeni mezunlar ve ileri eğitimli doktora sonrası araştırmacılar yetiştirmeye devam ediyor.

"Sörf yapmıyorum ama bir dalganın üzerindeymişiz gibi hissediyorum ve bu çok eğlenceli," dedi Baker. "Yani, çok fazla sorun çözülüyor. Ve evet, dürüst olmak gerekirse, gerçekten heyecan verici."

Kaynak: GW

Bilim insanları kuantum öğrenme görevleri için gereken süreyi 20 milyon yıldan 15 dakikaya indirdi.

Bir fiziksel sistemin nasıl davrandığını öğrenmek genellikle ölçümleri tekrarlamak ve istatistikleri kullanarak kalıpları ortaya çıkarmak anlamına gelir. Bu yaklaşım klasik bilimde iyi çalışır. Ancak kuantum etkileri baskın hale geldiğinde kurallar değişir. Ölçüm gürültüsü kaçınılmaz hale gelir ve Heisenberg'in belirsizlik ilkesinin belirlediği sınırlar, tek bir ölçümün ortaya çıkarabileceği şeyleri kısıtlar. Sistemler daha karmaşık hale geldikçe, gerekli deney sayısı o kadar hızlı artabilir ki, öğrenme gerçekçi olmaktan çıkar.

Danimarka Teknik Üniversitesi'nden araştırmacılar, Amerika Birleşik Devletleri, Kanada ve Güney Kore'deki işbirlikçileriyle birlikte, bu engeli aşmanın bir yolunu gösteriyorlar. Ekip, dolanık ışık ve kolektif ölçümler kullanarak, ölçeklenebilir bir fotonik platformda açık bir kuantum öğrenme avantajı sergiliyor. Çalışma Science dergisinde yayınlandı.

DTU Fizik profesörü ve çalışmanın ilgili yazarı Ulrik Lund Andersen, "Bu, fotonik bir sistem için kanıtlanmış ilk kuantum avantajıdır" diyor. "Böyle bir avantajın basit bir optik kurulumla mümkün olduğunu bilmek, başkalarının bu yaklaşımın işe yarayacağı alanları aramasına yardımcı olmalıdır; örneğin algılama ve makine öğrenimi gibi alanlarda."

Klasik öğrenme neden kuantum sistemlerinde başarısız oluyor?

Bir cihazı veya süreci anlamaya çalıştığınızda, genellikle gürültü desenini belirlemeyi hedeflersiniz. Optik ve algılama alanında, bu gürültü genlik ve fazda rastgele değişiklikler olarak ortaya çıkabilir. Kuantum sistemleri için bu dalgalanmalar sadece teknik hatalar değildir. Bunlar fiziğin bir parçasıdır.

Andersen, The Brighter Side of News'e verdiği demeçte, "Önceki çalışmalar, her bir probu bağımsız olarak ölçen klasik öğrenme stratejilerinin, sistem boyutu arttıkça üstel sayıda örnek gerektirebileceğini gösterdi. Ölçümlerin zamanla değiştiği uyarlanabilir yöntemler bile bu ölçeklendirmeden kaçamaz. Süper iletken kübitler kullanan önceki deneyler kuantum avantajlarına işaret etti, ancak bu sistemlerin ölçeklendirilmesi zor olmaya devam ediyor" dedi.

"Yeni çalışmamız farklı bir yol izliyor. Kübitler yerine, sürekli değişkenli bir fotonik platform kullanıyoruz. Bu seçim, bazı testlerde 100'ü aşan birçok optik modla aynı anda çalışmamıza ve bilgiyi tek tek parçacıklar yerine zaman içinde kodlamamıza olanak tanıyor" diye devam etti.

Sorunun merkezindeki yer değiştirme süreçleri

Öğrenme görevi, rastgele çok modlu yer değiştirme süreçlerine odaklanıyor. Bu süreçler, optik teknolojilerde ortaya çıkan bozonik kanallardaki gürültüyü tanımlar. Herhangi bir sürekli değişkenli gürültü kanalı, bir yer değiştirme kanalına dönüştürülebilir, bu da sorunu geniş çapta ilgili hale getirir.

Bu tür süreçler, yerçekimi dalgası tespiti, Raman spektroskopisi ve karanlık madde aramaları gibi alanlarda önem taşımaktadır. Ayrıca mikroskobik kuvvet algılamada da karşımıza çıkmaktadırlar. Bunları öğrenmek için, gürültü dağılımının tamamını yakalayan, karakteristik fonksiyon adı verilen matematiksel bir nesneyi yeniden oluşturmak gerekir.

Zorluk, bu fonksiyonun yüksek frekanslı kısımlarında yatmaktadır. Bu bölgeler, ince ama önemli özellikler içerir, ancak çözülmesi en zor olan kısımlardır. Teori, bu kısımları dolanıklık olmadan öğrenmenin, mod sayısı arttıkça üstel sayıda örnek gerektirdiğini öngörmektedir.

Dolanıklığın kuralları nasıl değiştirdiği

DTU liderliğindeki ekip, bu sınırı aşmak için dolanıklığı kullanıyor. Her bir prob modu, bir bellek moduyla eşleştirilerek Einstein-Podolsky-Rosen (EPR) durumu oluşturuluyor. Prob, bilinmeyen yer değiştirme sürecinden geçiyor. Daha sonra, prob ve bellek birlikte ölçülüyor.

Bu ortak ölçümler, ışığın ne kadar sıkıştırıldığına bağlı olarak belirlenen bir hassasiyetle genlik ve fazdaki korelasyonları ortaya çıkarıyor. Ölçüm aynı anda her iki mod üzerinde de etkili olduğu için, tekli proplar için geçerli olan olağan belirsizlik sınırlarından kaçınılıyor.

Deney, iki modlu sıkıştırılmış durumlar üretmek için optik parametrik osilatörlere dayanmaktadır. Kurulum telekomünikasyon dalga boylarında çalışır ve standart optik bileşenler kullanır. Önemlisi, sıradan kayıplara karşı toleranslıdır. Bu ayrıntı, avantajın idealize edilmiş bir cihazdan değil, bilginin nasıl çıkarıldığından kaynaklandığını göstermektedir.

Çok daha az örnekle karmaşık bir süreci öğrenme

Yöntemi test etmek için araştırmacılar, karakteristik fonksiyonunda üç farklı tepe noktası bulunan bir yer değiştirme sürecini yeniden oluşturuyorlar. Bu özelliklerin sınırlı verilerle tespit edilmesinin zor olduğu bilinmektedir.

Sıkıştırma olmadan, yeniden yapılandırmalar yüksek frekans bölgesinde hızla başarısız oluyor. 16 mod ve yüzlerce örnekle bile, klasik tarz stratejiler gerçek yapıyı kurtaramaz. Gerekli çözünürlüğe ulaşmak için binlerce ölçüm gerekecektir.

Dolanıklıkla sonuç keskin bir şekilde değişiyor. 30 mod için, sıkıştırılmamış stratejiler çok büyük örnek boyutlarında bile başarısız oluyor. Orta derecede sıkıştırma uygulandığında, aynı sayıda ölçüm kullanılarak doğru yeniden yapılandırmalar ortaya çıkıyor. Sıkıştırma arttıkça, mod sayısı artsa bile gerekli örnek sayısı neredeyse sabit kalıyor.

En güçlü sıkıştırma seviyelerinde, iyileşme 11,8 katına ulaşıyor. Karşılaştırılabilir bir klasik yaklaşım, o kadar çok örnek gerektirirdi ki, deneyin bir megahertz hızında bunları toplamak 20 milyon yıldan fazla sürerdi. Kuantum yöntemi yaklaşık 15 dakikada tamamlanıyor.

Yeniden Yapılandırmanın Ötesinde Avantajı Kanıtlamak

Ekip, görsel yeniden yapılandırmaların ötesine geçmek için katı bir hipotez testi tasarladı. Bu oyunda, bir dağıtıcı iki olası yer değiştirme sürecinden birini hazırlar. Birinde üç tepe noktası bulunur. Diğeri Gauss desenini takip eder. Hangi durumun geçerli olduğunu bilmeden, süreçle sabit sayıda etkileşimde bulunursunuz.

Tüm ölçümler tamamlandıktan sonra, dağıtıcı iki aileyi ayırt eden bir tahmin ediciyi nerede değerlendireceğini açıklar. Bu yapı, önceki ipuçlarını ortadan kaldırır ve net bir klasik sınır belirler.

Deneyler ve Monte Carlo simülasyonları, kuantum stratejisinin bu sınırı aştığını göstermektedir. Daha yüksek sıkıştırma ile tahmin edici, iki durumu net bir şekilde ayırır. Mod sayısı arttıkça görev zorlaşır, ancak daha güçlü sıkıştırma, kuantum yönteminin başarılı olduğu alanı genişletir.

120 modu içeren en büyük testte, başarı olasılığı, aynı örneklem büyüklüğüyle klasik olarak elde edilebilecek her şeyin üzerinde kalmaktadır. Bu performansı dolanıklık olmadan elde etmek, yüzyıllarca veri toplamayı gerektirirdi. Bu, örneklem karmaşıklığında yaklaşık 1,9 büyüklük mertebesinde kanıtlanabilir bir kuantum avantajına karşılık gelir.

Sonucun Kuantum Teknolojisi İçin Anlamı

Bulgular, gerçekçi gürültü ve kayıplara rağmen fotonik sistemlerin ölçeklenebilir kuantum öğrenme avantajları sağlayabileceğini göstermektedir. Bilgi birçok zaman moduna yayılır ve her deneyden daha fazla değer çıkaran ortak ölçümler yoluyla geri kazanılır.

DTU Fizik bölümünde doçent ve ortak yazar olan Jonas Schou Neergaard Nielsen, çalışmanın tek bir uygulamaya bağlı olmadığını belirtiyor. "Birçok insan kuantum teknolojisinden ve klasik bilgisayarlardan nasıl daha iyi performans gösterdiklerinden bahsediyor olsa da, gerçek şu ki bugün bunu yapmıyorlar," diyor. "Bizi tatmin eden şey, nihayet hiçbir klasik sistemin asla yapamayacağı bir şeyi yapan bir kuantum mekanik sistemi bulmuş olmamızdır."

Araştırmanın Pratik Sonuçları

Bu araştırma, dolanıklığın karmaşık kuantum sistemlerinin gerçekçi zaman dilimlerinde öğrenilebilir hale gelmesini sağlayabileceğini göstermektedir. Algılamada, yerçekimi dalgaları veya küçük kuvvetler gibi zayıf sinyallerin daha hızlı ve daha doğru tespit edilmesine olanak sağlayabilir.

Kuantum makine öğrenmesinde, klasik yöntemleri alt üst edecek yüksek boyutlu veriler üzerinde modelleri eğitmek için bir yol sunmaktadır.

Daha genel olarak, gelecekteki kuantum cihazlarının avantajlarını mükemmel donanımdan değil, bilgiyi ölçmenin ve işlemenin daha akıllı yollarından elde edebileceklerini öne sürmektedir.

Kaynak: TBN