Maskinlæring forbinder materialesammensætning og ydeevne i katalysatorer

I et fund, der kunne være med til at bane vejen mod renere brændstoffer og en mere bæredygtig kemisk industri, forskere ved University of Michigan har brugt maskinlæring til at forudsige, hvordan sammensætningen af ​​metallegeringer og metaloxider påvirker deres elektroniske strukturer.

Den elektroniske struktur er nøglen til at forstå, hvordan materialet vil fungere som formidler, eller katalysator, af kemiske reaktioner.

"Vi lærer at identificere fingeraftryk af materialer og forbinde dem med materialets ydeevne, " sagde Bryan Goldsmith, Dow Corning adjunkt i kemiteknik.

En bedre evne til at forudsige, hvilke metal- og metaloxidsammensætninger, der er bedst til at vejlede, hvilke reaktioner der kan forbedre kemiske processer i stor skala såsom brintproduktion, produktion af andre brændstoffer og gødninger, og fremstilling af husholdningskemikalier såsom opvaskemiddel.

"Målet med vores forskning er at udvikle prædiktive modeller, der vil forbinde en katalysators geometri til dens ydeevne. Sådanne modeller er centrale for design af nye katalysatorer til kritiske kemiske transformationer, " sagde Suljo Linic, Martin Lewis Perl Collegiate Professor of Chemical Engineering.

En af de vigtigste tilgange til at forudsige, hvordan et materiale vil opføre sig som en potentiel mediator af en kemisk reaktion, er at analysere dets elektroniske struktur, specifikt tætheden af ​​stater. Dette beskriver, hvor mange kvantetilstande der er tilgængelige for elektronerne i de reagerende molekyler og energierne i disse tilstande.

Som regel, den elektroniske tæthed af tilstande er beskrevet med opsummerende statistik - en gennemsnitlig energi eller en skævhed, der afslører, om flere elektroniske tilstande er over eller under gennemsnittet, og så videre.

"Det er ok, men det er bare simple statistikker. Du går måske glip af noget. Med hovedkomponentanalyse, du tager bare alt ind og finder det der er vigtigt. Du smider ikke bare information, " sagde Goldsmith.

Principal komponentanalyse er en klassisk maskinlæringsmetode, undervist i indledende datavidenskabelige kurser. De brugte den elektroniske tæthed af tilstande som input til modellen, da tætheden af ​​tilstande er en god forudsigelse for, hvordan en katalysators overflade vil adsorbere, eller binde sig til, atomer og molekyler, der fungerer som reaktanter. Modellen forbinder tætheden af ​​tilstande med materialets sammensætning.

I modsætning til konventionel maskinlæring, som i det væsentlige er en sort boks, der indtaster data og tilbyder forudsigelser til gengæld, holdet lavede en algoritme, som de kunne forstå.

"Vi kan systematisk se, hvad der ændrer sig i tætheden af ​​tilstande og korrelere det med materialets geometriske egenskaber, sagde Jacques Esterhuizen, en doktorand i kemiteknik og første forfatter på papiret i Kemisk katalyse .

Denne information hjælper kemiske ingeniører med at designe metallegeringer for at opnå densiteten af ​​tilstande, som de ønsker til at mediere en kemisk reaktion. Modellen afspejler nøjagtigt de korrelationer, der allerede er observeret mellem et materiales sammensætning og dets tæthed af tilstande, samt at skrue op for nye potentielle trends, der skal udforskes.

Modellen forenkler tætheden af ​​tilstande i to stykker, eller hovedkomponenter. Et stykke dækker i det væsentlige, hvordan metalets atomer passer sammen. I en lagdelt metallegering, dette omfatter, om undergrundsmetallet trækker overfladeatomer fra hinanden eller klemmer dem sammen, og antallet af elektroner, som undergrundsmetallet bidrager til binding. Det andet stykke er blot antallet af elektroner, som overflademetalatomerne kan bidrage til at binde. Fra disse to hovedkomponenter, de kan rekonstruere tætheden af ​​tilstande i materialet.

Dette koncept fungerer også for reaktiviteten af ​​metaloxider. I dette tilfælde, bekymringen er iltens evne til at interagere med atomer og molekyler, hvilket hænger sammen med hvor stabil overfladen ilt er. Stabil overfladeoxygen er mindre tilbøjelig til at reagere, hvorimod ustabil overfladeoxygen er mere reaktiv. Modellen fangede nøjagtigt iltstabiliteten i metaloxider og perovskitter, en klasse af metaloxider.