Prof. Dr. Johannes Margraf og et team af forskere har udviklet en lovende metode til at forbedre effektiviteten af elektrokatalysatorer. Ved hjælp af simuleringer og kunstig intelligens har forskerne udviklet et computerprogram, der samtidigt kan optimere flere egenskaber ved katalysatoren. Resultaterne er nu blevet offentliggjort i Journal of the American Chemical Society .
Højentropi-legeringer (HEA) er en lovende type materiale til elektrokatalyse. Elektrokatalyse er en proces, hvor visse materialer hjælper med at fremskynde kemiske reaktioner, der finder sted i batterier eller brændselsceller.
I modsætning til konventionelle metalkatalysatorer består disse materialer af en blanding af mange elementer. Som følge heraf har de en meget kompleks struktur og kunne derfor have bedre katalytiske egenskaber i elektrolysatorer og brændselsceller. Det er dog svært for forskere at finde den bedste blanding af elementer til en specifik anvendelse.
"Tidligere arbejde har hovedsageligt fokuseret på at forbedre katalytisk aktivitet," siger Margraf, formand for Fysisk Kemi V:Teori og maskinlæring ved University of Bayreuth. "Men vi har udviklet en algoritme, der kan bruge simuleringer og kunstig intelligens til samtidig at forbedre flere egenskaber ved katalysatoren, såsom aktivitet, omkostninger og stabilitet."
Dette gjorde det muligt for forskerne fra Bayreuth og Fritz Haber Institute i Berlin at forudsige mange nye HEA'er, der tilbyder forskellige afvejninger mellem disse egenskaber.
"Vi testede algoritmen specifikt til iltreduktion i brændselsceller, hvor dyr platin normalt bruges som katalysator. Vi fandt katalysatorer, der er lige så aktive som platin, men som koster meget mindre - kun 10 % sammenlignet med platin," forklarer Margraf. "Vi var også i stand til at identificere katalysatorer, der er to en halv gange så aktive som platin, men til en lignende pris."
Bayreuth-forskerens teoretiske forudsigelser skal nu bekræftes af praktiske eksperimenter.
Flere oplysninger: Wenbin Xu et al., Discovering High Entropy Alloy Electrocatalysts in Vast Composition Spaces with Multiobjective Optimization, Journal of the American Chemical Society (2024). DOI:10.1021/jacs.3c14486
Leveret af Bayreuth University