在高温下从氧化物中提取金属不仅对生产钢铁等金属至关重要，而且对回收利用也非常重要。由于目前的提取过程是非常碳密集型的，会排放大量的温室气体，研究人员一直在探索新的方法来开发更加绿色的过程。这项工作在实验室里进行特别具有挑战性，因为它需要昂贵的反应器。
建立和运行计算机模拟将是一个替代方案，但目前还没有一种计算方法能在没有实验数据的情况下准确预测高温下的氧化物反应。
现在，来自一个哥伦比亚的工程团队报告称，他们已经开发了一种新的计算技术。通过结合量子力学和机器学习，可以准确预测金属氧化物对其基本金属的还原温度。他们的方法在计算上跟传统的零温度计算一样有效，并且在他们的测试中，比使用量子化学方法对温度影响进行的计算要求更准确。这项研究由化学工程助理教授Alexander Urban领导，于2021年12月1日发表在《Nature Communication》上。
Urban表示：“如果我们要过渡到一个更可持续的未来，化学工业的去碳化是至关重要的，但为既定的工业流程开发替代品是非常成本密集和耗时的。一个不需要初始实验输入的自下而上的计算过程设计将是一个有吸引力的替代方案，但到目前为止还没有实现。据我们所知，这项新研究是第一次尝试采用混合方法，即将计算跟人工智能相结合用于这一应用。并且它首次证明了基于量子力学的计算可以用于高温过程的设计。”
研究人员知道，在非常低的温度下，基于量子力学的计算可以准确预测化学反应所需要或释放的能量。他们用一个机器学习模型增强了这种零温度理论，该模型从公开的高温测量中学习了温度依赖性。他们设计了他们的方法，重点是在高温下提取金属，同时也预测“自由能”随着温度的变化而变化--无论它是高还是低。
研究论文的第一作者José A. Garrido Torres指出：“自由能是热力学的一个关键量，其他跟温度有关的量原则上可以从它得因此，我们期望我们的方法也将有助于预测，如熔化温度和溶解度，用来设计由可再生电能驱动的清洁电解金属提取过程。”
澳大利亚国立大学工程和计算机科学学院副院长、专注于腐蚀耐久性的材料设计专家、未参与这项研究的Nick Birbilis表示：“未来刚刚变得更近了一点。在过去的一个世纪里，人类的大部分努力和沉没的资本都在开发我们每天使用的材料--我们的动力、飞行和娱乐都依赖于这些材料。材料开发是缓慢而昂贵的，这使得机器学习成为未来材料设计的关键发展。为了让机器学习和人工智能发挥其潜力，模型必须在机械上具有相关性和可解释性。而这正是Urban和Garrido Torres的工作所展示的。此外，这项工作首次采用了整个系统的方法，它通过先进的算法将原子模拟跟工程应用联系在一起”。
该团队现在正在致力于将该方法扩展到其他跟温度有关的材料特性，如溶解度、导电性和熔化，这些特性则都是设计无碳和由清洁电能驱动的电解金属提取过程所需要的。