Frigør hemmelighederne bag kemisk binding med maskinlæring

En ny maskinlæringstilgang giver vigtig indsigt i katalyse, en grundlæggende proces, der gør det muligt at reducere emissionen af ​​giftige udstødningsgasser eller producere væsentlige materialer som stof.

I en rapport offentliggjort i Naturkommunikation , Hongliang Xin, lektor i kemiteknik ved Virginia Tech, og hans team af forskere udviklede en Bayesiansk læringsmodel for kemisorption, eller Bayeschem for kort, sigter mod at bruge kunstig intelligens til at låse op for karakteren af ​​kemisk binding på katalysatoroverflader.

"Det hele kommer ned til, hvordan katalysatorer binder med molekyler, " sagde Xin. "Interaktionen skal være stærk nok til at bryde nogle kemiske bindinger ved rimelig lave temperaturer, men ikke for stærk til, at katalysatorer ville blive forgiftet af reaktionsmellemprodukter. Denne regel er kendt som Sabatier-princippet i katalyse."

At forstå, hvordan katalysatorer interagerer med forskellige mellemprodukter, og at bestemme, hvordan de skal kontrollere deres bindingsstyrker, så de er inden for denne 'guldlokszone', er nøglen til at designe effektive katalytiske processer, sagde Xin. Forskningen giver et værktøj til det formål.

Bayschem arbejder ved hjælp af Bayesiansk læring, en specifik maskinlæringsalgoritme til at udlede modeller fra data. "Antag at du har en domænemodel baseret på veletablerede fysiske love, og du vil bruge det til at lave forudsigelser eller lære noget nyt om verden, " forklarede Siwen Wang, en tidligere kemiingeniør doktorand. "Den Bayesianske tilgang er at lære fordelingen af ​​modelparametre givet vores forudgående viden og de observerede, ofte sparsomme, data, samtidig med at det giver usikkerhedskvantificering af modelforudsigelser."

D-båndsteorien om kemisorption brugt i Bayeschem er en teori, der beskriver kemisk binding ved faste overflader, der involverer d-elektroner, der normalt er formet som en firkløver. Modellen forklarer, hvordan d-orbitaler af katalysatoratomer overlapper og tiltrækkes af adsorbatvalensorbitaler, der har en sfærisk eller håndvægtlignende form. Den er blevet betragtet som standardmodellen inden for heterogen katalyse siden dens udvikling af Hammer og Nørskov i 1990'erne, og selvom det har haft succes med at forklare bindingstendenser for mange systemer, Xin sagde, at modellen fejler til tider på grund af den iboende kompleksitet af elektroniske interaktioner.

Ifølge Xin, Bayeschem bringer d-band-teorien til et nyt niveau for at kvantificere disse interaktionsstyrker og muligvis skræddersy nogle knapper, såsom struktur og sammensætning, at designe bedre materialer. Tilgangen fremmer d-båndsteorien om kemisorption ved at udvide dens forudsigelses- og fortolkningsmuligheder for adsorptionsegenskaber, som begge er afgørende for opdagelse af katalysatorer. Imidlertid, sammenlignet med black-box maskinlæringsmodeller, der trænes af store mængder data, forudsigelsesnøjagtigheden af ​​Bayeschem er stadig modtagelig for forbedring, sagde Hemanth Pillai, en kemiingeniørstuderende i Xins gruppe, der bidrog lige så meget til undersøgelsen.

"Muligheden for at komme med meget nøjagtige og fortolkbare modeller, der bygger på dyb læringsalgoritmer og teorien om kemisorption, er meget givende for at nå målene for kunstig intelligens i katalyse, " sagde Xin.