Nejednotné laboratorní postupy komplikují AI predikce katalyzátorů pro přeměnu CO2

Vědci v posledních letech intenzivně hledají způsob, jak přeměnit oxid uhličitý, jehož je v atmosféře nadbytek, na využitelné palivo. Tento proces, známý jako elektrochemická redukce CO2, by mohl přispět k řešení dvou problémů najednou: snížit množství skleníkových plynů a zároveň vytvořit zdroj energie využitelný v průmyslu i dopravě. Klíčovou roli v celém procesu hrají katalyzátory, tedy látky, které umožňují nebo urychlují chemickou reakci, aniž by se při ní sama spotřebovala.

Problém je, že testování jednotlivých katalyzátorů v laboratoři je zdlouhavé a nákladné. Existuje totiž velké množství materiálů a jejich kombinací, které by teoreticky mohly reakci umožnit, ale ověřit skutečnou účinnost každého z nich vyžaduje čas, chemikálie a specializované vybavení. Proto se do hledání efektivního řešení stále více zapojuje umělá inteligence, konkrétně modely strojového učení, které mají za úkol predikovat, které katalyzátory budou v praxi nejúčinnější, aniž by je bylo nutné všechny fyzicky testovat.

Právě zde ale podle odborníků nastává zásadní komplikace. Rozdíly v tom, jak jednotlivé výzkumné týmy provádějí experimenty, mohou výrazně ovlivnit přesnost predikcí, které AI modely nabízejí. Pokud se laboratoře liší v podmínkách měření, použitých přístrojích, teplotě, tlaku nebo způsobu přípravy vzorků, mohou být výsledná experimentální data nekonzistentní. A právě na těchto datech se modely umělé inteligence učí rozpoznávat vzorce a odhadovat vlastnosti nových katalyzátorů.

Umělá inteligence sama o sobě nemá schopnost rozlišit, zda jsou vstupní data spolehlivá, nebo zda obsahují systematické odchylky způsobené rozdílnou metodikou. Model se prostě naučí to, co mu data ukážou – bez ohledu na to, zda odrážejí skutečné chemické vlastnosti materiálu, nebo jen nekonzistenci mezi laboratořemi. To znamená, že i sebelépe navržený algoritmus může poskytovat zavádějící doporučení, pokud jsou data, na kterých byl trénován, nesourodá nebo zatížená chybami.

Kvalita výstupů AI modelu je tak přímo závislá na kvalitě a jednotnosti vstupních dat. Tento princip, běžně známý v informatice jako „garbage in, garbage out“, se v oblasti katalytického výzkumu ukazuje jako obzvlášť citlivý. Vzhledem k tomu, že cílem je najít katalyzátor, který bude v reálném provozu skutečně fungovat efektivně a stabilně, mohou nepřesné predikce vést k plýtvání časem a prostředky na testování materiálů, které se v praxi neosvědčí.

Odborníci proto upozorňují, že rozvoj umělé inteligence v této oblasti nemůže probíhat izolovaně od standardizace experimentálních postupů. Pokud mají různé laboratoře přispívat daty do společných databází, ze kterých se AI modely učí, je nutné zajistit, aby byly měřeny a zaznamenávány srovnatelným způsobem. Jen tak lze dosáhnout toho, že model bude schopen skutečně rozlišit mezi lepšími a horšími katalyzátory, a ne jen mezi laboratořemi s odlišnými experimentálními podmínkami.

Přes tato úskalí zůstává potenciál využití umělé inteligence při výběru katalyzátorů významný. Pokud se podaří sjednotit metodiku sběru dat a zajistit jejich kvalitu, mohly by modely výrazně urychlit proces hledání vhodných materiálů pro přeměnu CO2 na palivo. Místo měsíců či let laboratorního testování by tak výzkumníci mohli v mnohem kratším čase identifikovat nejslibnější kandidáty a soustředit experimentální úsilí právě na ně.

Cesta k praktickému využití elektrochemické redukce CO2 ve velkém měřítku je tak stále na začátku, ale kombinace chemického výzkumu a umělé inteligence nabízí reálnou naději na jeho zrychlení. Klíčem k úspěchu bude podle vědců především důsledná péče o kvalitu a konzistenci dat, na kterých se algoritmy učí – bez ní totiž ani nejmodernější AI model nemůže přinést spolehlivé výsledky.