Undersøgelse viser, at maskinlæring kan forbedre katalytisk design

Kemiske ingeniører ved Rice University og Pennsylvania State University har vist, at en kombination af maskinlæring og kvantekemi kan spare tid og omkostninger ved at designe nye katalysatorer.

"Store mængder data genereres i beregningsmæssig katalyse, og feltet er begyndt at indse, at datavidenskabelige værktøjer kan være ekstremt værdifulde til at gennemsøge store mængder data for at lede efter fundamentale sammenhænge, ​​som vi ellers kunne gå glip af, " sagde Rice's Thomas Senftle, medforfatter til en ny undersøgelse offentliggjort online i denne uge i Naturkatalyse . "Det var det, dette papir i virkeligheden handlede om. Vi kombinerede veletablerede værktøjer til datagenerering og -analyse på en måde, så vi kunne lede efter sammenhænge, ​​vi ellers ikke ville have bemærket."

En katalysator er et stof, der accelererer kemiske reaktioner uden at blive forbrugt af dem. Katalysatorerne i biler, for eksempel, indeholder metaller som platin og palladium, der hjælper med reaktioner, der nedbryder luftforurenende stoffer. Katalysatorer er en grundpille i den kemiske og farmaceutiske industri, og det globale marked for katalysatorer anslås til 20 milliarder dollars om året.

De metaller, der anvendes i katalysatorer, er typisk en del af et trådnet. Når varm udstødning passerer gennem nettet, metalatomerne på overfladen katalyserer reaktioner, der nedbryder nogle skadelige molekyler til harmløse biprodukter.

"Det er en gasfasereaktion, " sagde Senftle om eksemplet med katalysatoren. "Der er en vis koncentration af gasfasearter, der kommer ud af motoren. Vi ønsker en katalysator, der omdanner forurenende stoffer til harmløse produkter, men forskellige biler har forskellige motorer, der udsender forskellige sammensætninger af disse produkter, så en katalysator, der fungerer godt i én situation, fungerer måske ikke så godt i en anden."

Praksis med at flyde reaktanter forbi en katalysator er også almindelig i industrien. I mange tilfælde, et katalytisk metal er knyttet til en fast overflade, og reaktanter flyder hen over overfladen, enten som væske eller gas. For industrielle processer, der fremstiller tonsvis af produkter om året, En forbedring af effektiviteten af ​​metalkatalysatoren med blot et par procent kan udmønte sig i millioner af dollars for virksomheder.

"Hvis du har et klart billede af egenskaberne af metalkatalysatoren og substratmaterialet metallet binder til, som giver dig mulighed for at indsnævre din søgning i begyndelsen, " sagde Senftle. "Du kan indsnævre dit designrum ved at bruge computeren til at udforske, hvilke materialer der sandsynligvis vil klare sig godt under visse forhold."

Senftle, adjunkt i kemi- og biomolekylær teknik ved Rice, begyndte den nyligt publicerede forskning, mens han stadig var kandidatstuderende ved Penn State i 2015, sammen med hovedforfatterne Nolan O'Connor og A.S.M. Jonayat og medforfatter Michael Janik. De startede med at bruge tæthedsfunktionel teori til at beregne bindingsstyrkerne af enkelte atomer af mange forskellige slags metaller med en række metaloxidsubstrater.

"Bindingsenergien mellem metallet og substratet er af særlig interesse, fordi jo stærkere bindingen er, jo mindre sandsynligt er det, at metalatomet løsner sig, " sagde Janik. "Hvis vi kan kontrollere den bindende energi, vi kan skræddersy størrelsesfordelingen af ​​disse metalpartikler, og det, på tur, kommer til at påvirke den overordnede reaktion, som de kan katalysere."

O'Connor sagde, "Vi var nysgerrige efter egenskaberne af individuelle metalatomer og oxidoverflader, der skabte stærke interagerende par, som er en egenskab, vi kan bruge til at designe robuste katalysatorer."

Sammen med listen over bindende energier, holdet havde et katalog på omkring 330, 000 yderligere egenskaber for hver af metal-substratkombinationerne, herunder faktorer som oxiddannelsesenergi, koordinationsnummer, legeringsdannelsesenergi og ioniseringsenergi.

"Maskinlæringsalgoritmen leder efter kombinationerne af de deskriptorer, der korrelerer med de observerede data om bindingsenergier, " sagde Jonayat. "Det giver os dybest set mulighed for at spørge, 'Af alle disse beskrivelser, hvordan kan vi finde dem, der korrelerer med den observerede adfærd, som vi er interesserede i?"

Han sagde, at identifikation af sådanne korrelationer kan strømline katalysatordesign ved at gøre det muligt at forudsige, hvordan materialer vil opføre sig forud for laboratorietest, som kan være både dyre og tidskrævende. Maskinlæring kan også identificere interessante effekter, der er værdige til yderligere undersøgelse.

For eksempel, Senftle sagde, at en sammenhæng, der blev ved med at dukke op i undersøgelsen, var vigtigheden af ​​den direkte interaktion mellem de katalytiske metaller og metalatomerne i støtten. Han sagde, at dette var uventet, fordi metallerne typisk hver især har en stærk affinitet til at binde med ilt i modsætning til at binde med hinanden.

"Oprindeligt, tanken var, at det var ilten, der var vigtig, " sagde Senftle. "Vi var interesserede i at bestemme, hvor godt disse to forskellige metaller delte ilten. Men denne direkte interaktion mellem metallerne i sig selv dukkede hele tiden op i vores beregninger, og det spillede en meget større rolle i at diktere systemets overordnede adfærd, end vi havde forventet."

Senftle sagde, at han gerne vil bygge videre på kompleksiteten af ​​simuleringerne i fremtidig forskning.

"Her så vi på vekselvirkningerne mellem metallerne og understøtningerne i et uberørt miljø uden vandmolekyler eller urenheder af nogen art, " sagde han. "I virkeligheden, katalysatorer bruges i meget komplicerede reaktionsmiljøer, og vi vil gerne undersøge, hvordan disse tendenser ændrer sig i disse indstillinger. For eksempel, hvis dette var et vandholdigt miljø, vand eller dissocieret vand vil sandsynligvis adsorbere på overfladen. De kommer til at påvirke interaktionen, For nu har du en anden spiller, der deler elektrontætheden og deler overfladeoxygen."