Accelererende opdagelse af elektrokatalysatorer med maskinlæring

Forskere baner vejen for total afhængighed af vedvarende energi, da de studerer både store og små måder at erstatte fossile brændstoffer på. En lovende vej er at omdanne simple kemikalier til værdifulde ved hjælp af vedvarende elektricitet, herunder processer såsom reduktion af kuldioxid eller vandspaltning. Men for at skalere disse processer op til udbredt brug, vi er nødt til at opdage nye elektrokatalysatorer - stoffer, der øger hastigheden af ​​en elektrokemisk reaktion, der finder sted på en elektrodeoverflade. For at gøre det, forskere ved Carnegie Mellon University leder efter nye metoder til at fremskynde opdagelsesprocessen:maskinlæring.

Zack Ulissi, en assisterende professor i kemiteknik (ChemE), og hans gruppe bruger maskinlæring til at vejlede opdagelse af elektrokatalysatorer. Med hånden, forskere bruger timer på at lave rutineberegninger på materialer, der måske ikke ender med at virke. Ulissis team har skabt et system, der automatiserer disse rutineberegninger, udforsker et stort søgerum, og foreslår nye legeringer, der har lovende egenskaber til elektrokatalyse.

"Dette giver os mulighed for at bruge vores tid på at stille videnskabelige spørgsmål, synes godt om, 'Hvordan forudsiger man nogets egenskaber, ' 'Hvad er den termodynamiske model, ' 'Hvad er modellen for systemet, ' eller 'Hvordan repræsenterer du systemet?'" sagde Ulissi.

Forskerne testede deres metode på opdagelsen af ​​intermetalliske materialer, der kunne lave gode elektrokatalysatorer til kuldioxidreduktion og brintudvikling - to meget komplekse reaktioner. En god elektrokatalysator er billig, selektiv, aktiv, effektiv, og stabil. Mange elektrokatalysatorer er lavet af en klasse af metaller kaldet intermetalliske, at når de sættes sammen har en defineret krystalstruktur. Med et maskinlæringssystem, det kan hurtigt screene kombinationer af intermetalliske materialer for en eller flere egenskaber forbundet med en god elektrokatalysator.

Ulissi og Kevin Tran, en ChemE Ph.D. studerende, har et system af scripts, der hver nat søger i en database med millioner af adsorptionssteder på tusindvis af intermetalliske materialer, eller hvor et andet element kunne klæbe. Baseret på den søgning, systemet bygger en maskinlæringsmodel for at forudsige, hvilket websted det skal køre beregninger på i løbet af den næste dag. Den kører derefter beregningerne, som afslører mere om egenskaberne for hvert intermetallisk sted, og resultaterne gemmes i en database og bruges til at genoptræne modellen. Så gentager løkken sig selv, hver gang at finde bedre og mere interessante materialer. På denne måde det giver rabatter på materialer, der ikke ville være gode katalysatorer, men giver forskeren tillid til, at de materialer, systemet foreslår, ikke vil føre til en blindgyde.

"Det, vi har bygget, er en smart maskine, men vores mål er ikke rigtig en smart maskine, " sagde Tran, en medforfatter på undersøgelsen. "Vores mål er at skabe en maskine, der får os data. Så vi bruger virkelig maskinen som landmand, at indsamle data intelligent."

Mens et menneske kunne studere omkring 10 til 20 nye energier om ugen, maskinen kan studere hundredvis om dagen. Før det automatiserede system, forskere ville være nødt til at indsnævre rummet til én klasse af materialer og arbejde i det rum. Nu, de kan anlægge en mere holistisk tilgang.

Gennem denne undersøgelse, udgivet i Naturkatalyse , forskerne har en liste over materialer og intermetalliske kombinationer, som eksperimenter bør prøve, både for brintudvikling og kuldioxidreduktion. Forsøgene vil derefter afgøre, hvad der vil være gode elektrokatalysatorer til stor skala.

"Jeg tror ikke, folk havde gjort det på denne måde før." sagde Ulissi. "På dette tidspunkt er vi bare ved at indsnævre, hvad eksperimentalister bør fokusere på. Vi var i stand til at vise, at rummet er større, end folk troede. Vi fandt interessante ideer - som at hvis du tager to ting, der er for svage, kan de faktisk gøre noget stærkere Vi anede ikke, om vi ville finde sådanne resultater eller ej."