تولید هیدروژن سبز تا امروز به فلزاتی وابسته بود که کمیاب‌ترین عناصر پوسته زمین هستند، اما یک آزمایشگاه خودکار اکنون راهی برای دور زدن این بن‌بست یافته است. در ۲۵ سپتامبر ۲۰۲۶، شرکت Lila Sciences گزارش داد که سامانهٔ هدایت‌شده توسط هوش مصنوعی این شرکت، ۲۹۴۲ کاتالیزور را تنها در سه ماه بررسی کرده و شش خانواده از مواد مبتنی بر پالادیوم را شناسایی کرده است.
شیمی تولید هیدروژن
تولید هیدروژن از آب نیازمند دو واکنش نیمه است: واکنش تکامل هیدروژن در کاتد و واکنش تکامل اکسیژن (OER) در آند. طبق مستندات فنی، واکنش OER گلوگاه اصلی است، زیرا در محیط‌های شدیداً اسیدی اجرا می‌شود که باعث حل شدن اکثر فلزات می‌گردد.
در حال حاضر، صنعت برای بقا در این شرایط سخت به اکسید ایریدیوم تکیه دارد، زیرا یکی از معدود موادی است که می‌تواند در عین فعال ماندن، در برابر این شرایط دوام بیاورد. روتنیوم گزینه دیگری است، اما پایداری کمتری دارد. مشکل اینجاست که هر دو از کمیاب‌ترین عناصر زمین هستند. تقریباً تمام ایریدیوم جهان تنها به عنوان محصول جانبی استخراج پلاتین و در مقیاس بسیار محدود، یعنی تنها چند تن در سال در سراسر جهان تولید می‌شود.
پیشرفت در زمینه پالادیوم
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی اتوماسیون در علوم تجربی اشاره کردیم، حذف خطای انسانی و افزایش سرعت تکرار آزمایش‌ها، کلید کشف موادی است که پیش‌تر نادیده گرفته شده‌اند. برای سال‌ها، دانشمندان مواد پالادیوم را به دلیل ناپایداری ادراک‌شده در اسید، یک «بن‌بست» برای واکنش OER می‌دانستند.
مدل Lila Sciences این باور سنتی را به چالش کشید. این سامانه ۲۹۴۲ اکسید را در ۵۳ سیستم ماده و ۲۶ عنصر مختلف غربال کرد. به جای استفاده از فلز خالص، مدل ترکیبات اصلاح‌شده پالادیوم را آزمایش کرد. با افزودن مقادیر اندک از عناصر دیگر، هوش مصنوعی توانست رفتار شیمیایی این فلز را به طور کلی تغییر دهد.
بر اساس پیش‌چاپ ارسالی به arXiv در ۲۴ سپتامبر ۲۰۲۶ با عنوان «کشف کاتالیزورهای اکسید پالادیوم بدون ایریدیوم و روتنیوم برای تکامل اکسیژن اسیدی بادوام» توسط کن جنیوین (Ken J. Jenewein) و ۲۰ نویسنده دیگر، تیمی از پژوهشگران اکسیدهای پیچیده‌ای مانند InMnPdOx و NiTaPdOx را شناسایی کردند. این مواد در اسید سولفوریک ۱ مولار و با جریان ۱۰ میلی‌آمپر بر سانتی‌متر مربع مورد آزمایش قرار گرفتند. نتایج نشان‌دهنده جهشی چشمگیر در پایداری بود:
- PdOx: پس از حدود ۲۰۰ ساعت، پتانسیل بیش از حد (overpotential) آن از ۰.۵ ولت فراتر رفت.
- NiTaPdOx: پایداری بیشتری داشت و تا حدود ۴۷۰ ساعت پتانسیل را زیر ۰.۵ ولت نگه داشت.
- InMnPdOx: پایداری خیره‌کننده‌ای نشان داد و بیش از ۱۰۰۰ ساعت پتانسیل را زیر ۰.۵ ولت حفظ کرد.
جان گرگوار (John Gregoire)، مدیر ارشد علوم خودکار شرکت، اشاره کرد که گروه قبلی او در Caltech ۱۲ سال روی این واکنش‌ها وقت صرف کردند. او اعتراف کرد که پیش از این، به هر دانشجویی توصیه می‌کرد از این ترکیب خاص از عناصر دوری کند و این نتیجه را «سرپیچی از خرد سنتی» نامید. رافائل گومز-بومبارلی (Rafael Gómez-Bombarelli)، مدیر علمی شرکت، افزود که بدون تأیید آزمایشگاهی، تیم احتمالاً این نتیجه را یک توهم (Hallucination) می‌پنداشت و آن را رد می‌کرد.
درون کارخانه علوم هوش مصنوعی
برای دستیابی به این هدف، تیم در اواخر سال ۲۰۲۴ کارخانه علوم هوش مصنوعی (AI Science Factory یا AISF) را ساخت. این سامانه به صورت یک حلقه بسته در چهار بلوک عمل می‌کند: سنتز، مشخصه‌یابی پیش از آزمایش، تست و مشخصه‌یابی پس از آزمایش. داده‌های هر مرحله به مدل بازمی‌گردد تا فرضیات بعدی اصلاح شوند. این رویکرد یادگیری خودکار در شیمی، مشابه تلاش‌های پلتفرم Chemify برای تبدیل طراحی مولکولی به یک فرآیند کاملاً قابل برنامه‌ریزی است که بر مقیاس‌پذیری رباتیک در علوم شیمی تأکید دارد.
سامانه AISF از یک مدل استدلالی (Reasoning Model) ترکیبی استفاده می‌کند. این مدل، مدل‌های بیزی (Bayesian) را که در شرایط عدم قطعیت خوب استدلال می‌کنند، با مدل‌های زبانی بزرگ (LLM) که بستر گسترده‌ای از دانش جهانی را فراهم می‌کنند، جفت می‌کند. گومز-بومبارلی بیان کرد که این تعامل، تعادلی میان کسب اطلاعات جدید و مدیریت عدم قطعیت ایجاد می‌کند.
گردش کار فیزیکی این سامانه به شدت خودکار است:
۱. هوش مصنوعی فضای شیمیایی را تحلیل کرده و دستورالعمل‌های ساخت (Recipes) را پیشنهاد می‌دهد.
۲. در ابتدا کن جنیوین، متخصص الکتروشیمی، پیشنهادات را بررسی می‌کرد، اما این مرحله حذف شد؛ اکنون دانشمندان فقط بررسی می‌کنند که مواد پیشنهادی ایمن باشند.
۳. سامانه AISF تعداد ۹۶ کاتالیزور را به صورت موازی با استفاده از لایه‌نشانی بخار فیزیکی (Physical Vapor Deposition) سنتز می‌کند.
۴. غربالگری سریع OER در اسید برای اندازه‌گیری فعالیت و پایداری اجرا می‌شود.
۵. داده‌های مشخصه‌یابی پس از آزمایش (Post-mortem) دوباره به مدل تزریق می‌شود.
یکپارچگی با سامانه مدیریت اطلاعات آزمایشگاهی (LIMS) تضمین می‌کند که هر نقطه داده قابل ردیابی باشد. اولین کمپین آزمایش به دلیل توسعه زیرساخت‌ها چهار ماه طول کشید، اما دومین کمپین تنها چهار هفته زمان برد.
عملکرد و معیارهای فنی
به گزارش شرکت، این خط لوله ۱۷ برابر سریع‌تر از یک آزمایشگاه استاندارد است. این سامانه می‌تواند ۲۴۰ نمونه در هفته پردازش کند، در حالی که حداکثر ظرفیت آن ۱۰۰ نمونه در روز است. این امر زمان مورد نیاز انسان برای هر نمونه را بیش از ۹۰٪ کاهش داده است.
پلتفرم فعلی بیش از ۹۰٪ اتوماسیون دارد و از سنتز اسپاتر ترکیبی، غربالگری با بازده بالا، مدل‌های ترکیب-ویژگی مبتنی بر یادگیری ماشین، بهینه‌سازی چندهدفه تطبیقی و استدلال LLM آگاه از زمینه استفاده می‌کند. در بنچمارک‌های بازنگری شده، تیم دریافت که عامل یادگیری متوالی آن‌ها، مرز فعالیت-پایداری را سریع‌تر از بهینه‌سازی بیزی با سیاست ثابت یا انتخاب‌های مبتنی بر LLM پیش برده است.
محدودیت‌ها و گام‌های بعدی
با این حال، شرکت تأکید می‌کند که این یک کشف در علم مواد است، نه یک محصول تجاری. کاتالیزورها باید در مقیاس صنعتی و تحت شرایط عملیاتی شدیدتر اثبات شوند. گومز-بومبارلی اشاره کرد که تیم در حال حاضر در حال ارزیابی این است که ماده در فرمی که شبیه به کاربردهای مقیاس صنعتی است، چگونه رفتار می‌کند.
در حال حاضر، گردش کار کاملاً خودکار نیست، زیرا انسان‌ها هنوز برای انتقال نمونه‌ها بین دستگاه‌ها لازم هستند و شرکت در حال توسعه رباتیک برای حذف این مرحله و دستیابی به عملیات کاملاً خودکار است.
این کشف، مفروضات بنیادی الکتروکاتالیز را تغییر می‌دهد. نویسندگان مقاله بیان می‌کنند که عناصر افزودنی باعث ایجاد نانوساختاری می‌شوند که هم فعالیت کاتالیزوری را تقویت می‌کند و هم پالادیوم را در برابر خوردگی مقاوم می‌سازد. از آنجا که پالادیوم در دسترس‌تر از ایریدیوم یا روتنیوم است، مسیری کوتاه‌مدت برای رفع محدودیت‌های تأمین در تولید جهانی هیدروژن سبز باز می‌کند. این تلاش برای بهینه‌سازی منابع محیطی، در راستای کاربردهای گسترده‌تر هوش مصنوعی در پایش زمین است، مشابه آنچه مدل MAPL-EMIT گوگل برای شناسایی هزاران منبع نشت متان به کار گرفت تا اثرات زیست‌محیطی را دقیق‌تر رصد کند.
شرکت Lila Sciences که در مارس ۲۰۲۵ در کمبریج تأسیس شد، هدفش اجرای کامل روش علمی — از فرضیه، آزمایش و تفسیر تا تکرار — به صورت خودکار است. فائ حبیب‌زاده (Fae Habib Zadeh)، دانشمند ارشد شرکت، گفت که این گردش کار برای واکنش‌های دیگر، از جمله تولید آمونیاک سبز و پیش‌سازهای پلاستیک نیز قابل تعمیم است و تیم در حال حاضر کمپین‌های بعدی را اجرا می‌کند.
گام بعدی شما
- دنبال کردن پیش‌چاپ‌های جدید Lila Sciences در arXiv برای مشاهده تعمیم این مدل به تولید آمونیاک سبز.
- بررسی مقایسه هزینه‌های استخراج پالادیوم در برابر ایریدیوم برای تخمین کاهش قیمت احتمالی در سیستم‌های الکترولیز.
- مطالعه درباره مدل‌های ترکیبی بیزی-LLM برای کاربردهای بهینه‌سازی در مهندسی مواد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک چگونگی اتصال مدل‌های زبانی به بازوهای رباتیک آزمایشگاهی، به تحلیل ما درباره پروتکل‌های MCP مراجعه کنید.
گفتگو