AI ledte efter enkeltatom-legeringskatalysatorer, fundet 200 lovende kandidater

Skoltech-forskere og deres kolleger fra Kina og Tyskland har præsenteret en ny søgealgoritme efter single-atom-legeringskatalysatorer (SAAC'er), der fandt mere end 200 endnu ikke-rapporterede kandidater. Deres arbejde giver en opskrift på at finde de bedste SAAC'er til forskellige applikationer. Artiklen blev offentliggjort i tidsskriftet Naturkommunikation .

Enkeltatom-legeringskatalysatorer, eller SAAC'er, hvor enkelte atomer af sjældne og dyre metaller såsom platin er spredt på en inert metalvært, er yderst effektive og selektive i adskillige katalytiske reaktioner, herunder selektive hydrogeneringer, dehydrogeneringer, C−C og C−O koblingsreaktioner, INGEN reduktion, og CO -oxidation. Det er derfor, de bruges i industrielt vigtige reaktioner såsom hydrogenering af organiske molekyler til opgradering af kemikalier til produkter af højere værdi.

"SAAC'ernes effektivitet i disse reaktioner tilskrives en synergistisk virkning af legeringskomponenter, der giver effektiv hydrogenmolekyle -dissociation uden overdreven binding af hydrogenatomer. Imidlertid, der er ikke så mange kendte SAAC'er, der er stabile og samtidig katalytisk aktive, mest fordi deres design hidtil i høj grad har været baseret på trial and error. Selv inden for binære legeringer er der flere tusinde mulige SAAC med forskellige metalkombinationer og overfladesnit. Dette gør forsøg og fejl tilgange ekstremt ineffektive, "Sergey Levchenko, Adjunkt ved Skoltech Center for Energy Science and Technology, siger.

Levchenko og hans kolleger var i stand til at identificere nøjagtige og pålidelige maskinlæringsmodeller baseret på beregninger af første principper til beskrivelsen af ​​hydrogenbindingsenergien, dissociationsenergi, og gæst-atom-adskillelsesenergi til SAAC'er. Dette fik dem til at lave en meget hurtigere (med en faktor tusinde), men pålidelig forudsigelse af tusindvis af SAAC'ers katalytiske ydeevne.

"Modellen evaluerer korrekt ydeevnen af ​​eksperimentelt testede SAAC'er. Ved at scanne mere end fem tusinde SAAC'er med vores model, vi har identificeret over to hundrede nye SAAC'er med både forbedret stabilitet og ydeevne sammenlignet med de eksisterende, "skriver forfatterne.

De brugte kunstig intelligens til at udtrække vigtige parametre (deskriptorer) fra beregningsdata, der korrelerer med SAACs katalytiske ydeevne og på samme tid er meget hurtige at beregne. Ud over praktiske modeller, forfatterne udviklede også en ny maskinlæringsmetode til at identificere kombinationer af materialers fysiske egenskaber, der resulterer i enestående katalytisk ydeevne, dermed udtrække fysisk viden og forståelse fra data.

"Den udviklede metodik kan let tilpasses til at designe nye funktionelle materialer til forskellige applikationer, inklusive elektrokatalyse (iltreduktion og hydrogenudviklingsreaktioner), brændstofceller, reformering af metan, og vand-gasforskydningsreaktion, ", bemærker Levchenko.