Недавно исследовательская группа профессора Ю Шицзе из Института экологии ХПУ добилась важного прогресса в области визуализации процессов переноса в гетерогенном катализе благодаря сочетанию методов глубокого обучения компьютерному зрению и трансферного обучения. Результаты исследования опубликованы в журнале NatureCommunications под заголовком «Visualizingnexusofporousarchitectureandreactivetransportinheterogeneouscatalysisbydeeplearningcomputervisionandtransferlearning» («Визуализация взаимосвязи между пористой архитектурой и реакционным переносом в гетерогенном катализе с использованием глубокого обучения компьютерному зрению и трансферного обучения»).
В областях химии, энергетики и науки об окружающей среде гетерогенный катализ является ключевым двигателем технологических инноваций, эффективность каталитических реакций в значительной степени определяется составом и сложной микроструктурой пористых катализаторов. Однако точный анализ взаимосвязи структуры и свойств, особенно количественное описание локальных реакционно-транспортных процессов в трёхмерном пространстве, остаётся одной из наиболее сложных научных задач. Традиционные экспериментальные и моделирующие методы требуют больших затрат времени и средств, но при этом не позволяют фиксировать динамические детали реакций, что ограничивает возможности создания и разработки высокоэффективных катализаторов.
Схема и рабочий процесс модели cGAN-TL
Для решения этой задачи команда профессора Ю Шицзе предложила инновационный метод глубокого обучения компьютерному зрению (DLCV), объединяющий условную генеративно-состязательную сеть (cGAN) и переносное обучение представлений признаков (FRT). С помощью трёхмерной реконструкции сеть восстанавливает внутреннюю трёхмерную структуру катализатора на основе двумерных изображений, а затем, учитывая реакционные условия, прогнозирует распределение локальных скоростей реакции, реализуя переход от 2D-изображений к 3D-информации о локальных реакционных процессах. Модель DLCV с помощью механизма внимания выявила, что сужения пор, изогнутые каналы, фрактальные структуры и их комбинации являются ключевыми зонами, определяющими транспортные свойства. В сочетании с теорией взаимодействующих физических полей этот подход позволил раскрыть внутренние механизмы взаимосвязи массообмена и реакционной кинетики, сделав возможной визуализацию динамики каталитических реакций. Исследование демонстрирует огромный потенциал искусственного интеллекта в решении сложных научных задач и предвещает переход от традиционного «метода проб и ошибок» к новой парадигме — «проектированию, управляемому ИИ».
В будущем данный метод может быть распространён на более широкий спектр применений, включая топливные элементы и другие энергетические системы, обеспечивая мощную теоретическую и технологическую поддержку в решении глобальных энергетических и экологических вызовов.
Ссылка на статью:
https://www.nature.com/articles/s41467-025-63481-4