基于人工智能的多孔碳吸附材料氢气储存优化

为何更好的氢气储存至关重要

氢气常被宣传为汽车、卡车和公交工具的清洁燃料，因为燃烧或使用时主要生成水而非温室气体。然而问题在于，在车辆中以安全且经济的方式储存足够的氢气非常困难。本研究探讨了人工智能如何帮助科学家设计更好的海绵状碳材料以容纳更多氢气，从而有可能让氢动力交通更具可行性。

碳海绵如何储存氢气

研究对象是高度多孔的碳材料，行为类似固体海绵。它们不是吸水，而是在内部表面吸附氢分子。碳材料的内部比表面积越大、孔径越接近氢分子尺寸，就能储存越多燃料。传统方法依赖反复试验：改变碳的合成方式，在特定压力和温度下测量氢气吸附量，然后重复。这个过程既慢且昂贵，也受限于研究者能测试的样品数量。

让计算机从既有实验中学习

为加速进程，作者汇总了来自多项早期研究的917个数据点，记录了多孔碳的制备方式、结构特征以及在给定条件下的氢气储存量。他们用这些数据训练了两种机器学习模型——一种基于决策树，另一种借鉴了图像识别网络的结构。尽管输入只是数字，神经网络仍能很好地学习模式，在对处于相同压力、温度和材料属性范围内的未见条目进行测试时，高精度地预测氢气储存量。

让人工智能搜索更优设计

在神经网络能够可靠预测氢气吸附量后，团队将其与自动化优化工具耦合。研究不再仅问“给定这种材料，它能储存多少氢气？”，而反过来问“应当选择哪些材料特性和操作条件以实现最佳储存？”。软件在表面积、微观孔体积和气体压力等因素上进行变化，同时跟踪整体孔径尺度。它寻找平衡的组合，既能提高氢气储存，又能保持孔径小到对碳材料而言切实可行。

在性能与物理现实之间取得平衡

优化得到了一组“恰到好处”的折衷解，称为帕累托前沿，在该前沿上，若要进一步提高氢气储存就必须在孔径控制上做出牺牲，反之亦然。某些最高预测的储存值需要将比表面积和孔径推到超出现有实验制备水平的程度，因此作者将这些视为理论上限而非承诺。当他们将搜索限制在更现实的比表面积范围和一种常见的氢气储存测试温度时，预测出的最佳设计与实验已知结果相符，同时也指向了具有雄心但可实现的未来材料目标。这表明人工智能不仅能解释已有数据，还能提出值得一试的新配方。

对清洁能源的意义

对非专业读者而言，主要信息是计算机现在可以通过从众多研究中学习来协助设计更好的固体“罐体”以储存氢气。这里采用的方法结合了预测与智能搜索，能够指出应当能储存更多氢气的碳结构，而不是盲目猜测。尽管最极端的预测仍需实验验证，该工作为减少反复试验提供了路线图，并可能帮助工程师更接近能安全、高效装入未来车辆的氢气储存系统。

引用: Rocha, H.R.O., Romanos, J., Abou Dargham, S. et al. AI-driven optimization of hydrogen storage in porous carbon adsorbents. Sci Rep 16, 15143 (2026). https://doi.org/10.1038/s41598-026-45915-1

关键词: 氢气储存, 多孔碳, 机器学习, 能源材料, 气体吸附