การออกแบบตัวเร่งปฏิกิริยาใหม่ที่มีประสิทธิภาพนั้นไม่ใช่เรื่องง่าย ตัวอย่างเช่น ในตัวเร่งปฏิกิริยาที่มีองค์ประกอบมากกว่าหนึ่งองค์ประกอบ นักวิจัยไม่เพียงแต่ต้องคำนึงถึงส่วนผสมของธาตุที่เป็นไปได้ทั้งหมดเท่านั้น แต่ยังต้องเพิ่มตัวแปรอื่นๆ อีกจำนวนหนึ่ง เช่น ขนาดอนุภาค รูปร่าง และโครงสร้างพื้นผิว ตลอดจน ระดับของการผสมหรือการแยกเฟส ในที่สุดสิ่งนี้นำไปสู่ผู้สมัครที่มีศักยภาพจำนวนมากอย่างท่วมท้น
เพื่อจัดการ
กับความท้าทายนี้ นักวิทยาศาสตร์ใช้เทคนิคการออกแบบเชิงคำนวณที่มุ่งเน้นไปที่การคัดกรองส่วนประกอบของวัสดุและองค์ประกอบของโลหะผสมเพื่อเพิ่มประสิทธิภาพการทำงานของตัวเร่งปฏิกิริยาสำหรับปฏิกิริยาที่กำหนด และลดจำนวนโดยรวมของโครงสร้างในอนาคตที่จะต้องทดสอบ
และพัฒนา เทคนิคดังกล่าวต้องใช้วิธีการผสมผสานควบคู่ไปกับการคำนวณทางทฤษฎี ซึ่งอาจใช้เวลานานและซับซ้อน การกำหนดค่าอะตอมพื้นผิวที่ดีที่สุดทีมงานที่นำได้ใช้แนวทางที่แตกต่างออกไปโดยการพัฒนาโปรแกรมการเรียนรู้แบบเสริมแรงเชิงลึก (DRL) ที่เรียกว่า CatGym ซึ่งจะเปลี่ยนตำแหน่ง
ของอะตอมบนพื้นผิวของตัวเร่งปฏิกิริยาซ้ำๆ เพื่อค้นหาการกำหนดค่าที่ดีที่สุดจาก กำหนดการกำหนดค่าเริ่มต้นนักวิจัยได้แสดงเทคนิคของพวกเขาโดยการทำนายเส้นทางการสร้างพื้นผิวของตัวเร่งปฏิกิริยาโลหะผสม Ni 3 Pd 3 Au 2 (111) แบบไตรภาค ผลลัพธ์ของพวกเขาแสดงให้เห็นว่าโปรแกรม DRL
ไม่เพียงแต่สามารถใช้เพื่อสำรวจองค์ประกอบพื้นผิวที่หลากหลายกว่าวิธีการทั่วไปเท่านั้น แต่ยังสามารถสร้างเส้นทางใหม่โดยพิจารณาจากความเอื้ออาทรของพื้นผิวเหล่านั้นทีมงานยังแสดงให้เห็นว่าเส้นทางจลนพลศาสตร์ที่นำไปสู่องค์ประกอบพื้นผิวที่เสถียร (โดยมีองค์ประกอบพื้นผิวที่มีพลังงานขั้นต่ำต่ำ)
และสถานะการเปลี่ยนแปลงที่เกี่ยวข้องที่ทำนายโดยโปรแกรม DRL นั้นเข้ากันได้ดีกับเส้นทางพลังงานขั้นต่ำที่ทำนายโดยการคำนวณ “แถบยางยืดแบบสะกิด” แบบดั้งเดิม ทำ “ด้วยมือ” การป้อนข้อมูลของมนุษย์จำนวนมากกล่าวว่า ในช่วงไม่กี่ปีที่ผ่านมามีเรื่องน่าตื่นเต้นมากมายเกี่ยวกับการใช้วิธีการเรียนรู้
ด้วยเครื่อง
เพื่อเร่งการจำลองการเร่งปฏิกิริยา วิธีการดังกล่าวช่วยลดต้นทุนการคำนวณของแต่ละขั้นตอนในการจำลอง แต่ข้อเสียคือต้องใช้ข้อมูลของมนุษย์จำนวนมากในการคำนวณ ทั้งนี้เนื่องจากนักวิทยาศาสตร์จำเป็นต้องกำหนดโครงสร้างที่ใช้ตั้งแต่เริ่มแรก กลไกใดที่ควรได้รับการตรวจสอบ และหากมีเส้นทางที่ดี
กว่าในการเปลี่ยนจากปฏิกิริยา A ไปยังปฏิกิริยา B คำถามทั้งหมดนี้ต้องการผู้เชี่ยวชาญที่ผ่านการฝึกอบรมมาเป็นเวลาหลายวันหรือหลายสัปดาห์ คำตอบ. “ผลงานชิ้นใหม่นี้น่าตื่นเต้นมากสำหรับเรา เพราะมันเสนอให้ใช้วิธีการของ DRL เพื่อจัดการกับคำถามเชิงกลยุทธ์เหล่านี้” “ด้วยระบบของเรา
เราสามารถให้คอมพิวเตอร์สำรวจเส้นทางต่างๆ ที่เป็นไปได้โดยอัตโนมัติ” พื้นที่เป็นตัวแทนและการกระทำ DRL ต้องการสามสิ่ง เขาอธิบาย “อย่างแรกคือการเป็นตัวแทน นั่นคือ เราจะแสดงโครงสร้างอะตอมของตัวเร่งปฏิกิริยาให้คอมพิวเตอร์เข้าใจได้อย่างไร ในระบบของเรา เราใช้ตัวแทนทั่วไป
จากวรรณกรรม
ประการที่สองคือ “พื้นที่ดำเนินการ”: เราจะให้คอมพิวเตอร์ทำอะไร ในแนวทางของเรา มันสามารถเคลื่อนย้ายอะตอม ค้นหาพลังงานขั้นต่ำ ค้นหาสถานะการเปลี่ยนแปลง หรือเรียกใช้การจำลองไดนามิกสั้นๆ สุดท้ายนี้ เราจะตัดสินใจอย่างไรว่าจะดำเนินการอย่างไรต่อไป? ในกรณีของเรา
เราลองใช้รูปแบบ DRL มากมายเพื่อตอบคำถามนี้” “แง่มุมหนึ่งที่ทำให้โครงการนี้น่าสนใจจริงๆ ก็คือเป้าหมายสุดท้ายนั้นไม่ชัดเจน” “ตัวอย่างเช่น ในวิดีโอเกม เห็นได้ชัดว่าคุณต้องการให้ ทำอะไร เพิ่มคะแนนสุดท้ายให้ได้มากที่สุด เราจึงใช้เวลามากมายในการกำหนดและระบุเป้าหมายที่ DRL จะทำงานได้ดี”
ผลการตรวจสอบซ้ำกล่าวว่าก่อนหน้านี้เขาได้ศึกษากลไกการสร้างพื้นผิวตัวเร่งปฏิกิริยาด้วยมือ ซึ่งอาจเป็นเรื่องที่น่าเบื่อมาก “เครื่องมือที่จะทำให้กระบวนการนี้เป็นไปโดยอัตโนมัติและเร่งความเร็ว ไม่เพียงแต่ช่วยให้เราสามารถถามคำถามที่น่าสนใจมากขึ้นเท่านั้น แต่ยังสามารถใช้เพื่อตรวจสอบผลลัพธ์
ที่ได้รับโดยมนุษย์ผู้เชี่ยวชาญได้อีกด้วย”นักวิจัยซึ่งรายงานผลงานของพวกเขาในการเรียนรู้ของเครื่อง: วิทยาศาสตร์และเทคโนโลยีกำลังใช้วิธีการที่พวกเขาพัฒนาขึ้นเพื่อทำนายว่าพื้นผิวของตัวเร่งปฏิกิริยาสมมุติมีความเสถียรเพียงใด “เรายังหวังว่าจะใช้แนวทางของเราเพื่อทำความเข้าใจกลไก
ที่เกิดขึ้นบนพื้นผิวเหล่านี้ให้ดียิ่งขึ้น” กล่าวเสริม “การทำเช่นนี้จะช่วยให้เราคิดอย่างสร้างสรรค์เกี่ยวกับสิ่งที่อาจเกิดขึ้นกับตัวเร่งปฏิกิริยาระหว่างปฏิกิริยาในโลกแห่งความเป็นจริง” มันจะไม่ราบรื่นทั้งหมด อย่างไรก็ตาม เขายอมรับ หนึ่งในข้อจำกัดที่สำคัญของเทคนิคปัจจุบันคือ เช่นเดียวกับแอปพลิเคชัน
ส่วนใหญ่ ต้องมีการป้อนข้อมูลจำนวนมากและตอนการฝึกอบรม “การจำลองที่แม่นยำนั้นต้องใช้การคำนวณอย่างมาก” เขาอธิบาย “และการจำลองที่เราดำเนินการในงานของเรานั้นเป็นค่าประมาณที่รวดเร็วแต่ค่อนข้างหยาบ” นักวิจัยกำลังพยายามแก้ปัญหานี้โดยใช้โมเดลแมชชีนเลิร์นนิงเพื่อให้ไม่เพียงเร็วขึ้น
แต่ยังแม่นยำยิ่งขึ้นด้วย เมื่อความเร็วของยานแคสสินีสัมพันธ์กับโลกเปลี่ยนแปลง ทำให้สามารถกำหนดความเร็วของยานอวกาศได้อย่างแม่นยำเพียง 17 µm/s ซึ่งเป็นผลงานที่น่าประทับใจเมื่อพิจารณาจากความเร็วสูงสุดของยานแคสสินีเมื่อเทียบกับดาวเสาร์ มากกว่า 34 กม./วินาที
ข้อมูลเหล่านี้สามารถใช้เพื่อสร้างการกระจายตัวของมวลในดาวเคราะห์ และที่สำคัญคือ เพื่อกำหนดมวลของวงแหวนที่แตกต่างจากมวลของดาวเคราะห์ เพื่อให้ถูกต้องทั้งหมดนี้ต้องได้รับการดูแลเป็นพิเศษ ริชาร์ด เฟรนช์ หัวหน้าทีมระบบย่อยวิทยาศาสตร์วิทยุของยานแคสสินีอธิบายว่า “ในการแก้ปัญหาเบื้องต้นสำหรับสนามแรงโน้มถ่วงของดาวเสาร์ ข้อผิดพลาดในตำแหน่งสถานีเครือข่ายห้วงอวกาศ
Credit : ฝากถอนไม่มีขั้นต่ำ / สล็อตแตกง่าย
