Fazla Gibbs enerjisi için termodinamik olarak tutarlı makine öğrenimi modeli

Günlük kimya için neden önemli

Modern yaşam, yakıtlar ve soğutuculardan ilaçlara ve yeşil çözücülere kadar birçok sıvı karışımına dayanır. Bu karışımları güvenli ve verimli biçimde tasarlamak, moleküllerin nasıl etkileştiğini bilmeyi gerektirir. Oysa her olası bileşim için bu etkileşimleri ölçmek olanaksızdır. Bu makale, veriden doğrudan sıvı karışımların davranışını öğrenirken temel termodinamik yasalarına da uyan HANNA adlı yeni bir makine öğrenimi aracını tanıtıyor. HANNA, kimyasal süreç tasarımı ve malzeme keşfi için daha hızlı, daha geniş kapsamlı ve daha güvenilir öngörüler vaat ediyor.

Sıvı karışımlarını şekillendiren gizli enerji

Farklı sıvılar karıştırıldığında, moleküller birbirini çekip iterek zaman zaman çok ince etkiler yaratır. Bu etkiler “fazla Gibbs enerjisi” denen bir nicelikle yakalanır; bu, karışımın ideal davranıştan ne kadar saptığını gösterir. Bu tek işlevden mühendisler aktivite katsayıları gibi önemli özellikleri türetebilir; bunlar da bir karışımın tek bir sıvı fazı oluşturup oluşturmayacağını, ikiye ayrılıp ayrılmayacağını, buhar ve sıvının birlikte bulunup bulunmayacağını ve bileşenlerin fazlar arasında nasıl dağıldığını belirler. Ne var ki fazla Gibbs enerjisi doğrudan ölçülemez. Buhar–sıvı ve sıvı–sıvı dengeleri veya ısı etkileri üzerine titiz deneylerden çıkarılması gerekir ve ilgili tüm karışımların yalnızca çok küçük bir kısmı incelenmiştir.

Geleneksel tahmin araçlarının sınırları

On yıllardır mühendisler karışım davranışını tahmin etmek için NRTL, UNIQUAC ve UNIFAC aileleri gibi modellere güveniyor. Bu yöntemler etkileşimleri genellikle deneysel verilere uydurulan parametrelerle, çoğunlukla ikili bazda, yaklaşıklar. Güçlü olmalarına karşın önemli sınırlamaları var: yeni bir karışımı tahmin etmek için genellikle içinde yer alan her ikili alt sistem için parametrelere ihtiyaç duyulur ve bunlar yeni bileşikler için mevcut olmayabilir. Molekülleri yapı taşlarına ayıran grup tabanlı yaklaşımlar (UNIFAC gibi) bile sabit bir grup kataloğuyla sınırlıdır ve iyonik sıvılar gibi karmaşık türlerde zorlanabilir. Ayrıca birçok klasik model, tek bir parametre setiyle hem buhar–sıvı hem de sıvı–sıvı dengelerini doğru biçimde tanımlamakta güçlük çeker.

Fiziksel yasalara uyan bir sinir ağı

HANNA, modern sinir ağlarını katı termodinamik kurallarla birleştirerek bu zorlukları ele alıyor. Girdi olarak bileşenlerin moleküler yapıları (SMILES dizileri olarak kodlanmış), sıcaklık ve karışım bileşimi yeterli oluyor. Bir kimyasal dil modeli (ChemBERTa-2) her molekülü önce sayısal bir parmak izine çevirir. Bu parmak izleri, Gibbs–Duhem ilişkisinin korunması, bir bileşen saf hale geldiğinde veya sonsuz derecede seyrelmiş olduğunda doğru davranma ve bileşenlerin sıralaması değişse bile aynı cevabı verme gibi temel tutarlılık gereksinimlerine uyan özel bir ağ mimarisine beslenir. Bu kısıtlardan hareketle HANNA, bir karışımdaki her ikili çift için fazla Gibbs enerjisini tahmin eder ve sonra bu tahminleri ekstra uyumlayıcı parametre eklemeden çok bileşenli karışımlara uzatmak için geometrik bir projeksiyon şeması kullanır.

Sadece denklemler değil, gerçek verilerle eğitim

HANNA’yı geniş kullanışlı kılmak için yazarlar onu olağanüstü büyük ve çeşitli bir deneysel veri tabanı üzerinde eğittiler. Buna tam faz bileşimli buhar–sıvı verileri, yalnızca toplam basınçlı buhar–sıvı verileri, sıvı–sıvı faz ayrışmaları, sonsuz seyreltmede aktivite katsayıları ve fazla entaljiler dahil olup 800.000’den fazla veri noktası ve iyonik sıvılar ile diğer zorlu türleri içeren 4.000’den fazla farklı bileşiği kapsıyor. Önemli bir yenilik, sıvı–sıvı ayrışmalarını tespit edip konumlandıran sağlam bir termodinamik algoritmayı taklit eden bir vekil çözücü (surrogate solver). Bu vekil farklılanabilir olduğundan HANNA, öğrenme döngüsü içinde yavaş yinelemeli hesaplamalara başvurmadan ölçülmüş faz bileşimlerine karşı uçtan uca eğitilebiliyor. Ek kayıp terimleri HANNA’yı faz ayrışmasıyla ilişkili eğriliği tanımaya ve eğitim aralığının ötesinde bile mantıklı davranan düzgün tahminler üretmeye teşvik ediyor.

Yeni model nasıl performans gösteriyor

Eğitildikten sonra HANNA yalnızca eğitim sırasında geri tutulmuş sistemlerde test edildi ve performansı önde gelen klasik ve makine öğrenimi modelleriyle karşılaştırıldı. İkili karışımlar için aktivite katsayılarını, faz bileşimlerini ve fazla entaljileri yaygın olarak kullanılan modifiye UNIFAC (Dortmund) yönteminden daha tutarlı biçimde ve daha doğru tahmin ederken sıvı–sıvı karışabilirlik boşluklarını da daha güvenilir tespit etti. Eğitimi hiç görmediği üçlü ve hatta dörtlü karışımlarda bile (yalnızca ikili veriler artı geometrik projeksiyon kullanmasına rağmen) HANNA rekabetçi ya da üstün kaldı. Ayrıca sıkı termodinamik tutarlılıktan yoksun veya yalnızca oda sıcaklığı ya da sonsuz seyrelti gibi özel koşullarla sınırlı olan birkaç son dönem grafik tabanlı sinir ağını da geride bıraktı.

Bilim ve endüstri için anlamı

Bir uzman olmayan için temel mesaj şudur: HANNA, sıvı karışımlar için son derece bilgili ve fiziksel temelli bir “arzucu” (oracle) gibi davranıyor. Yalnızca kimyasal formüller verilerek iki ya da daha fazla sıvının karışıp karışmayacağını, katmanlara ayrılıp ayrılmayacağını veya karmaşık faz davranışları oluşturup oluşturmayacağını tahmin edebiliyor ve bunu geniş bir sıcaklık aralığında yapabiliyor. Önemli olarak, bunu yaparken temel termodinamik kurallara sadık kalarak, sınırlama olmayan makine öğrenimi modellerinde görülebilen fizik dışı sonuçlar riskini azaltıyor. Tam model ve kodun açıkça yayımlanmış olması ve web arayüzüyle erişilebilir olması, mühendislerin HANNA’yı doğrudan süreç simülasyonu ve çözücü taramasında kullanmaya başlamasını sağlıyor. Yazarlar eğitim sıcaklık aralığının çok dışındaki ve güçlü elektrolitler gibi durumlarda henüz test edilmemiş performans gibi kalan sınırlamalara dikkat çekse de çalışma, kimyasal süreçlerin veri odaklı ve termodinamik olarak tutarlı tasarımına doğru önemli bir adımı temsil ediyor.

Atıf: Hoffmann, M., Specht, T., Göttl, Q. et al. Thermodynamically consistent machine learning model for excess Gibbs energy. Nat Commun 17, 3485 (2026). https://doi.org/10.1038/s41467-026-71430-y

Anahtar kelimeler: sıvı karışımlar, termodinamik, makine öğrenimi, fazla Gibbs enerjisi, faz dengeleri