Maskinlæring sætter ind i katalysatorinteraktioner for at fremskynde materialeudvikling

En maskinlæringsteknik genopdagede hurtigt reglerne for katalysatorer, som det tog mennesker år med vanskelige beregninger at afsløre - og endda forklarede en afvigelse. University of Michigan-teamet, der udviklede teknikken, mener, at andre forskere vil være i stand til at bruge den til at gøre hurtigere fremskridt med at designe materialer til en række forskellige formål.

"Dette åbner en ny dør, ikke kun i at forstå katalyse, men også potentielt til at udtrække viden om superledere, enzymer, termoelektrik, og solcelleanlæg, " sagde Bryan Goldsmith, en adjunkt i kemiteknik, som ledte arbejdet sammen med Suljo Linic, en professor i kemiteknik.

Nøglen til alle disse materialer er, hvordan deres elektroner opfører sig. Forskere vil gerne bruge maskinlæringsteknikker til at udvikle opskrifter på de materialeegenskaber, de ønsker. For superledere, elektronerne skal bevæge sig uden modstand gennem materialet. Enzymer og katalysatorer skal formidle elektroniske udvekslinger, muliggør ny medicin eller fjernelse af kemisk affald, for eksempel. Termoelektrik og fotovoltaik absorberer lys og genererer energiske elektroner, derved producerer elektricitet.

Maskinlæringsalgoritmer er typisk "sorte bokse, "hvilket betyder, at de tager data ind og spytter en matematisk funktion ud, der laver forudsigelser baseret på disse data.

"Mange af disse modeller er så komplicerede, at det er meget svært at udtrække indsigt fra dem, sagde Jacques Esterhuizen, en doktorand i kemiteknik og førsteforfatter til papiret i tidsskriftet Chem . "Det er et problem, fordi vi ikke kun er interesserede i at forudsige materialeegenskaber, vi ønsker også at forstå, hvordan den atomare struktur og sammensætning afspejler materialets egenskaber."

Men en ny race af maskinlæringsalgoritmer lader forskere se de forbindelser, som algoritmen skaber, identificere hvilke variabler der er vigtigst og hvorfor. Dette er kritisk information for forskere, der forsøger at bruge maskinlæring til at forbedre materialedesign, herunder til katalysatorer.

En god katalysator er som en kemisk matchmaker. Det skal kunne gribe fat i reaktanterne, eller de atomer og molekyler, som vi ønsker at reagere, så de mødes. Endnu, det skal gøre det så løst, at reaktanterne hellere vil binde sig til hinanden end at holde sig til katalysatoren.

I dette særlige tilfælde, de så på metalkatalysatorer, der har et lag af et andet metal lige under overfladen, kendt som en legering under overfladen. Det underjordiske lag ændrer, hvordan atomerne i det øverste lag er fordelt, og hvor tilgængelige elektronerne er til binding. Ved at justere afstanden, og dermed elektrontilgængeligheden, kemiske ingeniører kan styrke eller svække bindingen mellem katalysatoren og reaktanterne.

Esterhuizen startede med at køre kvantemekaniske simuleringer på National Energy Research Scientific Computing Center. Disse dannede datasættet, viser, hvordan almindelige underjordiske legeringskatalysatorer, herunder metaller som guld, iridium og platin, binde med almindelige reaktanter såsom ilt, hydroxid og klor.

Holdet brugte algoritmen til at se på otte materialeegenskaber og betingelser, der kan være vigtige for bindingsstyrken af ​​disse reaktanter. Det viste sig, at tre betød mest. Den første var, om atomerne på katalysatoroverfladen blev trukket fra hinanden eller komprimeret af det forskellige metal nedenunder. Den anden var, hvor mange elektroner der var i elektronorbitalen, der var ansvarlige for binding, d-orbitalen i dette tilfælde. Og den tredje var på størrelse med den d-elektronsky.

De resulterende forudsigelser for, hvordan forskellige legeringer binder til forskellige reaktanter, afspejlede for det meste "d-bånd"-modellen, som er udviklet over mange år med kvantemekaniske beregninger og teoretiske analyser. Imidlertid, de forklarede også en afvigelse fra denne model på grund af stærke frastødende interaktioner, som opstår når elektronrige reaktanter binder på metaller med for det meste fyldte elektronorbitaler.