האצת גילוי ה‑MOF לאחסון מימן באמצעות למידת מכונה ביישומי אנרגיה

מדוע זה חשוב לאנרגיה נקייה

המימן מוכר לעתים כדלק נקי של העתיד, אך קיימת בעיה פרקטית עיקשת: הוא קל מאוד, ולכן לא קל לאחסן כמות מספקת במיכל בטוח ודחוס לרכבים, משאיות או אוניות. המאמר הזה מדגים כיצד שיטות ממוחשבות, ובעיקר למידת מכונה, יכולות לסרוק כמעט מאה אלף חומרים נקבוביים מתקדמים, שמכונים מבנים מתכתיים‑אורגניים (MOFs), כדי למצוא אלו שיכולים לאחסן מימן בצפיפות וביעילות. העבודה מצביעה על דרכים מהירות וזולות יותר לזהות את דור המיכלים הבא שיכול לסייע בהפחתת התלות בדלקים פוסיליים.

חומרים דמויי‑ספוג בהזמנה אישית

MOF הם חומרים גבישיים שנראים, ברמה המולקולרית, כשלד מרשים עם שטח פנים פנימי עצום ומרחב ריק גדול. ה"ספוגים" הזעירים האלה יכולים לקלוט ולשחרר מולקולות גז כגון מימן שוב ושוב. על‑ידי החלפת יחידות המתכת והקישורים האורגניים ניתן לכוונן את גודל הנקבוביות, צורתן ופתיחותן של ה‑MOF. תכונות כגון כמה מקום ריק הן (שבר הריק), כמה נפח פנימי זמין (נפח נקבוביות) וכמה שטח פנים חשוף למולקולות הגז מתבררות כחשובות יותר לאחסון מימן מהמתכון הכימי המדויק. האתגר הוא שלמרות שבמאגרי נתונים קיימים למעלה מ‑100,000 מבני MOF אפשריים, רק חלק קטן מהם הוכנו ונבדקו במעבדה, וסימולציות ממוחשבות מפורטות לכל מועמד יקרות מאוד מבחינת זמן וחישוב.

לתת למחשבים לחקור את האפשרויות

כדי לטפל בצוואר הבקבוק הזה, המחברים משלבים סימולציות ספיגה של גז בדיוק גבוה עם למידת מכונה. הם מתחילים ממסד נתונים קיים בשם HyMARC, שמכיל 98,695 MOF ממספר קבוצות מחקר ואוניברסיטאות. לכל MOF הם משתמשים בכלי סימולציה מבוססים כדי לחשב כמה מימן הוא יכול לאחסן ואז לשחרר במחזור "טמפרטורה‑לחץ" ריאלי: החומר ממולא במימן בטמפרטורה נמוכה ולחץ גבוה, ואז מחומם ומוריד את הלחץ כדי לספק את הגז. מכל מבנה גבישי הם חלצים רק שבעה תיאורים גיאומטריים, כולל צפיפות, נפח נקבוביות, כמה מדידות של שטח פנים, ושני קוטרוני נקבוביות אופייניים. מספרים פשוטים אלה לוכדים כמה מקום ושטח המולקולות המימניות יכולות לחקור בתוך כל MOF.

להכשיר רשתות נוירוניים לשפוט קיבולת אחסון

הצוות מאמן אז שני סוגים של רשתות נוירוניות — רשתות שכבות קדימה ודגמי זיהוי תבניות — כדי ללמוד את הקשר בין שבעת התיאורים המבניים הללו לשני תוצאות מרכזיות: כמה מימן מאוחסן לפי משקל (קיבולת גרבימטרית) ולפי נפח (קיבולת וולומטרית). שיטת אופטימיזציה בהשראת פיזיקה, שנקראת Equilibrium Optimizer, מתאמת אוטומטית את גודל וסידור כל רשת למינימום שגיאות החיזוי. לאחר אימון על רוב מאגר הנתונים ושמירת חלק לבדיקה, המודלים משחזרים את תוצאות הסימולציות בדיוק מרשים, במיוחד עבור אחסון לפי משקל. הניתוח גם מאשר מגמות שמצליחות מבחינה פיזיקלית: MOF עם נפח נקבוביות גדול ושבר ריק גבוה מאחסנים בדרך כלל יותר מימן לפי משקל, בעוד אחסון וולומטרי מגיע לשיא בצפיפות ביניים שבה נקבוביות ואריזה מאוזנות היטב.

מציאת חומרים מבריקים בשדה צפוף

מאובזרים ברשתות מאומנות אלה, החוקרים סורקים במהירות את כל 98,695 ה‑MOF כדי לסמן מועמדים מבטיחים, ואז בודקים את הטובים ביותר באמצעות סימולציות מלאות. הם משתמשים ב‑MOF‑5 המוכר כנקודת ייחוס ומיישמים גם יעדי מידת שאיפה של משרד האנרגיה של ארה"ב לאחסון מימן. הסריקה שלהם מצאה 1,289 MOF שעומדים בו‑זמנית או חורגים מהיעדים הללו, ובקבוצה זו 12 מבנים שגוברים על MOF‑5 הן בביצועים מבוססי משקל והן נפח. רבים מהביצועים המובילים האלה חולקים תכונות דומות — צפיפות מתונה, שטח פנים ניכר אך לא קיצוני, ומרחב פנימי ריק גדול — וכמה מהם מגיעים ממסד נתונים היפותטי שנבנה על‑ידי Northwestern University, מה שמדגיש את הערך בחקירת עיצובים שטרם סונתזו.

מה זה אומר למיכלי מימן עתידיים

במילים פשוטות, המחקר הזה מראה כי קבוצה קטנה של תכונות מבניות שקל לחשב, בשילוב עם רשתות נוירוניות מתוכננות היטב, יכולה להחליף סימולציות יקרות בזמן כשמחפשים חומרים לאחסון מימן. הגישה עדיין אינה יכולה להבטיח שכל MOF מוצע יהיה קל לייצור או יציב מכנית, אך היא מקצרת במידה רבה את החיפוש לרשימה קצרה וברת־ניהול שכימאים יוכלו לבדוק. על‑ידי חשיפת התכונות הגיאומטריות החשובות ובהצגת מועמדים ספציפיים בקיבולת גבוהה, עבודה זו מקרבת צעד משמעותי למיכלי מימן קומפקטיים מעשיים ומדגימה כיצד כלים מונחי‑נתונים יכולים להאיץ את גילוי החומרים למערכת אנרגיה נקייה יותר.

ציטוט: Khairandesh, S., Lotfi, M., Larimi, A. et al. Accelerating discovery of MOFs for hydrogen storage via machine learning in energy related applications. Sci Rep 16, 14114 (2026). https://doi.org/10.1038/s41598-026-44340-8

מילות מפתח: אחסון מימן, מבנים מתכתיים־אורגניים, למידת מכונה, חומרים נקבוביים, גילוי חומרים לאנרגיה