随着全球现代化进程的加快，CO2的排放量显著增长，温室效应加剧，导致全球性气候变暖、海平面上升，严重地影响了人类的生存环境和生态平衡。研发经济高效的CO2分离、捕集、封存和利用技术，已成为全球学者关注的焦点。多孔碳材料因其结构优势在CO2捕集方面具有很大的应用潜力。然而，目前影响多孔碳CO2捕集的因素并不明晰，以建立吸附模型为基础的传统研究方法只能将单一的多孔碳的结构参数与CO2吸附容量进行线性关联，而且因计算能力问题，关联的数据样本很少（一般不超过20组数据），导致模型精度不高，难以推广。
针对这一问题，浙江大学化学工程与生物工程学院傅杰副教授课题组构建了一个基于深度学习的人工智能系统（AI System），相比传统的吸附模型研究手段，人工智能系统更像一个孜孜不倦的学生，同时非线性的学习超过1000组多孔碳的孔道结构参数（比表面积、微孔孔容、介孔孔容），并通过浅层学习和深层学习，不断学习和校正多孔碳的孔道结构与其CO2吸附量之间的关系，最终在深度学习大量的构效关系后，准确预测了随机选取的20种多孔碳的CO2吸附性能，预测精度和广度是传统计算模型无法比拟的。
该研究构建的人工智能系统，将多孔碳的孔道结构参数和对应的CO2吸附量进行了关联，并且可以根据构建的人工智能系统精准的预测未知的多孔碳材料的CO2吸附量。该方法不仅为多孔碳CO2吸附量的预测提供了一种全新的手段，同时有助于设计具有高CO2捕集量的下一代多孔碳材料。相关研究结果以“Prediction of Carbon Dioxide Adsorption via Deep Learning”为题发表于《Angewandte Chemie International Edition》。浙江大学博士生张子豪为论文第一作者，浙江大学傅杰副教授和美国橡树岭国家实验室戴胜教授为共同通讯作者。本研究得到了国家自然科学基金、浙江省自然科学杰出青年基金等项目的资助。