CMU bliver stedet for maskinlæring i katalyseforskning

Katalysatorer skaber forandring.

Mange naturfagslærere på mellemtrinnet har dryppet et par dråber kaliumiodid i brintoverilte og set deres elevers glæde, mens en skumvulkan brød ud fra beholderen. Dette eksperiment er ofte den måde, unge mennesker først lærer om katalysatorer som noget, der kan fremkalde en kemisk reaktion.

Men katalysatorer kan lave mere end skum. Efterhånden som disse unge vokser til unge videnskabsmænd, de lærer, at katalyse – accelerationen af ​​en kemisk reaktion med en katalysator – er en nøgleproces i skabelsen af ​​næsten alt. Fra plastikken, der udgør vores medicinske udstyr, til benzinen i vores biler, til malingen, der farver vores hjem - ingen af ​​disse kunne eksistere uden katalysatorer.

Katalysatorer kommer i alle former og størrelser, og hver af dem har en anden funktion. Opdagelsen af ​​nye katalysatorer betyder ofte, at vi er i stand til at skabe og perfektionere nye materialer, som kan bruges i fremtidige produkter, brændstoffer, og næsten alt muligt andet. Desværre, opdagelse og optimering af disse nye katalysatorer kan være en lang og vanskelig proces, involverer et uregerligt antal variable. Vanskeligheden ved denne proces er en af ​​de primære barrierer for opdagelse af nye katalysatorer.

Af denne grund, Carnegie Mellon kemiske ingeniører er for nylig begyndt at se på andre områder for at få svar. For nylig, både Department of Energy og National Science Foundation har investeret i den unikke forskning, som Zachary Ulissi, John Kitchin, og Andrew Gellman er banebrydende, som undersøger den rolle, maskinlæring kan spille i opdagelsen af ​​nye katalysatorer. Gennem udvikling og implementering af nye maskinlæringsalgoritmer, den hastighed, hvormed forskere kan opdage nye, effektive katalysatorer vil stige eksponentielt.

Optimal legeringssammensætning til katalytiske overflader

Brintbrændselsceller drives af katalytiske reaktioner - især ved det, der er kendt som en legeringskatalysatoroverflade. Brændselscellens effektivitet afhænger af den nøjagtige blanding af metaller, der udgør den legerede katalysatoroverflade. Men at finde den perfekte blanding er ikke let. Det er derfor ChemE professor John Kitchin, med støtte fra National Science Foundation, har udviklet en unik maskinlæringsalgoritme til hurtigt at teste så mange kombinationer som muligt. Hans resultater er detaljerede i hans papir, "Modellering af segregation på AuPd(111) overflader med densitetsfunktionsteori og Monte Carlo-simuleringer, " offentliggjort i Journal of Physical Chemistry .

Metallegeringer bruges som katalysatorer til at producere hydrogenperoxid fra brint og oxygen til brug som en vedvarende grøn oxidant i kemisk syntese. I tilfælde af Kitchins forskning, denne legering består af guld (Au) og palladium (Pd). Når palladium reagerer med brint og oxygen i reaktoren, det danner hydrogenperoxid, som kan bruges som oxidationsmiddel. Desværre, gennem denne reaktion, palladium skaber også vand, hvilket er uønsket for, fordi det spilder det værdifulde brint. Ved at legere guld med palladium, denne sekundære reaktion kan afbødes, hvilket får reaktoren til at skabe mere af det ønskede hydrogenperoxid. Men hvor godt legeringen er i stand til at gøre dette, afhænger af det nøjagtige forhold mellem Au og Pd i katalysatoren - ned til atomet. At kontrollere alle mulige forhold i hånden ville tage langt mere tid, end nogen gruppe af forskere ville være i stand til at bruge.

"Vores forskning har udviklet en unik maskinlæringsalgoritme til at simulere sammensætningen af ​​en overflade, så vi kan estimere og bestemme fordelingen af ​​atomer i overfladen på atomare skala, " siger Kitchin. "I enhver simulering af katalyse på metaloverflader, resultaterne afhænger af detaljerne på overfladen, der bliver modelleret. Hvis den modellerede overflade ikke er repræsentativ for, hvordan overfladen ville se ud i eksperimentet, så vil simuleringsresultaterne heller ikke være repræsentative for, hvad der kunne observeres eksperimentelt. Vores forskning giver et udgangspunkt for at få en mere realistisk model af overfladen til simulering af katalyse, der er relevant for eksperimentelle observationer."

Intermetallics vs. legeringer i jagten på effektivitet

Legerede katalysatoroverflader har en række anvendelser inden for kemiteknik - men de er ikke de eneste metalkatalysatorer, der i vid udstrækning anvendes til kemiske reaktioner. Intermetalliske materialer ligner legeringer, men i stedet for at atomerne blandes tilfældigt, intermetalliske stoffer er skabt ved specifikt at placere atomer af et metal i et gentaget mønster med atomer af et andet. På grund af deres præcise atomare sammensætning, intermetalliske materialer kan tilpasses specifikt til at katalysere en bestemt reaktion.

Men fordi atomplacering i intermetallik er så præcis, at optimere arrangementet for maksimal katalytisk effekt er en besværlig proces. Eksperimenter for at udvikle bedre intermetalliske materialer afhænger i vid udstrækning af 'gæt og tjek'-metoden. Så for at skabe en mere effektiv metode, ChemE adjunkt Zack Ulissi, sammen med sine samarbejdspartnere i Penn State, arbejder på at udvikle et beregningsværktøj, der bruger maskinlæring til ikke kun at modellere intermetalliske konfigurationer og teste dem for effektivitet, men bruger data indsamlet fra disse eksperimenter til at beslutte, hvilke konfigurationer der er mere tilbøjelige til at fungere i fremtiden. Forskningen er støttet af en bevilling på 1,2 millioner dollars fra det amerikanske energiministerium.

"Katalyseområdet omfatter maskinlæring for at hjælpe med at løse udfordringer, der har unddraget os indtil nu, " siger Ulissi. "Men, de fleste af de tidlige succeser har udelukkende været på den beregningsmæssige side – hvilket har hjulpet os til bedre at forstå de katalysatorer, vi allerede kender til. Men dette projekt handler om at udvikle nye metoder og værktøjer til at accelerere kompositionsdesignprocessen."

Eksperimentelle værktøjer til at bekræfte maskinlæringsmodeller

Selvom maskinlæring er et kraftfuldt værktøj, evnen til eksperimentelt at bekræfte resultaterne af maskinlæringsmodeller er altafgørende for at sikre deres pålidelighed. Derfor har professor Andrew Gellman og hans forskergruppe udviklet eksperimentelle metoder til at komplementere maskinlæringsværktøjerne udviklet af Kitchin og Ulissi. National Science Foundation, gennem dets Designing Materials to Revolutionize and Engineer Our Future (DMREF)-initiativ, har investeret i et team ledet af Gellman for at være banebrydende for helt nye forskningsværktøjer, som kan fremstille hundredvis af legeringssammensætninger samtidigt og samtidigt analysere deres overflader.

Disse værktøjer fungerer ved at identificere den optimale sammensætning af to- eller trekomponentlegeringer, og sammenligne dem med kompositionerne forudsagt af maskinlæring. Disse komponentlegeringer kan derefter testes eksperimentelt i laboratoriet for at bekræfte, at de fungerer, som maskinlæringsmodellen siger, de gør. Derefter, når eksperimentet har bekræftet forudsigelserne af modellen for flere binære og ternære legeringer, de optimale sammensætninger af andre legeringer med forskellige komponenter kan pålideligt identificeres på basis af maskinlæringsmetoderne alene.

Carnegie Mellon-forskere er på forkant med maskinlæring til katalyse, og bredden og dybden af ​​denne forskning udvides altid. Studerende fra hele verden kommer til Institut for Kemiteknik for at studere denne spændende, fremvoksende felt. Nye projekter bliver finansieret hver dag, herunder en nylig ARPA-E-bevilling til at støtte Gellman og Ulissi i at studere dyb forstærkningslæring i katalyse. Takket være det avancerede samarbejde mellem disse fakulteter, studerende, og fundamenter, CMU ChemE er klar til at bringe hidtil uset forandring til området for katalyseopdagelse.