في عالم التصنيع الكيميائي المستدام، تعتبر المحفزات عنصرًا حاسمًا، ولكن اكتشاف تصميمات جديدة لها يظل عقبة رئيسية لطالما اعتمدت على التجريب والخطأ. وقد أظهرت الأبحاث الجديدة كيف يمكن أن تلعب نماذج اللغة المتقدمة (Frontier Models) دورًا محوريًا في هذا المجال من خلال دعم تحليلات تفاعلات كيميائية معقدة مثل اختزال ثاني أكسيد الكربون (CO2).

في التفاعلات المعقدة، تتأثر انتقائية المنتجات بعوامل ديناميكية مثل الواجهة، والكهارل، والجهد المحتمل، بالإضافة إلى المنافسة بين مسارات كينتيك. تكافح الطرق التقليدية المستندة إلى التعلم الآلي المعتمدة على الصفات الثابتة لحل هذه النقاط الهامة، حيث تعتمد غالبًا على وصفات ثابتة بدلاً من تحليل المسارات الطوبوغرافية الشاملة.

ومع ذلك، نحن هنا نقدم إطار عمل جديد يمزج بين التفكير البشري وتفكير الذكاء الاصطناعي، يقيد التحليل على الشبكات التفاعلية الصريحة، مما يتيح اكتشاف محفزات جديدة من خلال تحديد العوامل الفيزيائية التي تحكم المنافسة بين المسارات.

عند تطبيق هذا الإطار على اختزال ثاني أكسيد الكربون، تم التعرف على مسارات جديدة مثل تحكم الكيتين والتقاط الهيدروكسيد، مما أدى إلى تحديد مسار مميز لتكوين الأسيتات. النتائج أظهرت أن تحسين العوامل مثل القلوية المحلية وإدخال الحديد بالتحكم يمكّن من تحسين انتقائية الأسيتات بمعدل ثلاث مرات مقارنة بالأنظمة الصناعية المتوافقة.

هذا التطور المذهل يمثل نقلة نوعية في منهجية الاكتشاف، حيث تحول من التوقعات الإحصائية إلى توليد فرضيات مستندة إلى الآلية، مما يفتح آفاقًا جديدة لاستكشاف مواد جديدة في المستقبل.