Videnskab
 Science >> Videnskab >  >> Kemi

AI-teknik fremmer grøn brintproduktion ved hjælp af mere rigelige kemiske elementer

Forskerholdet udviklede en AI-teknik, der er i stand til nøjagtigt at forudsige sammensætningen af ​​materialer med ønskelige egenskaber ved at skifte forudsigelsesmodeller afhængigt af størrelsen af ​​de datasæt, der er tilgængelige til analyse. Kredit:National Institute for Materials Science

Et NIMS-forskerhold har udviklet en AI-teknik, der er i stand til at fremskynde identifikation af materialer med ønskelige egenskaber. Ved at bruge denne teknik var holdet i stand til at opdage højtydende vandelektrolyseelektrodematerialer fri for platingruppeelementer - stoffer, der tidligere blev anset for at være uundværlige i vandelektrolyse. Disse materialer kan bruges til at reducere omkostningerne ved storstilet produktion af grøn brint - en næste generations energikilde. Forskningen blev offentliggjort i ACS Central Science .



Storskalaproduktion af grøn brint ved hjælp af vandelektrolysatorer er et levedygtigt middel til at opnå kulstofneutralitet. I øjeblikket tilgængelige vandelektrolysatorer er afhængige af dyre, knappe platingruppeelementer som deres vigtigste elektrokatalysatorkomponenter for at accelerere den langsomme oxygenudviklingsreaktion (OER) - en elektrolytisk vandreaktion, der kan producere brint.

For at løse dette problem er der forskning i gang for at udvikle platingruppefri, billigere OER-elektrokatalysatorer sammensat af relativt rigelige kemiske elementer, der er kompatible med storskala grøn brintproduktion. At identificere de optimale kemiske sammensætninger af sådanne elektrokatalysatorer ud fra et uendeligt stort antal mulige kombinationer havde imidlertid vist sig at være enormt dyrt, tidskrævende og arbejdskrævende.

Dette NIMS-forskerhold udviklede for nylig en AI-teknik, der er i stand til nøjagtigt at forudsige sammensætningen af ​​materialer med ønskelige egenskaber ved at skifte forudsigelsesmodeller afhængigt af størrelsen af ​​de datasæt, der er tilgængelige til analyse.

Rammen for menneske-maskine-samarbejdet for accelereret opdagelse af OER-elektrokatalysatorer. Kredit:ACS Central Science (2023). DOI:10.1021/acscentsci.3c01009

Ved at bruge denne AI var holdet i stand til at identificere nye, effektive OER elektrokatalytiske materialer fra omkring 3.000 kandidatmaterialer på bare en enkelt måned. Til reference blev manuel, omfattende evaluering af disse 3.000 materialer anslået til at tage næsten seks år.

Disse nyopdagede elektrokatalytiske materialer kan syntetiseres ved hjælp af kun relativt billige og rigelige metalliske grundstoffer:mangan (Mn), jern (Fe), nikkel (Ni), zink (Zn) og sølv (Ag). Eksperimenter viste, at disse elektrokatalytiske materialer under visse forhold udviser overlegne elektrokemiske egenskaber i forhold til ruthenium (Ru)-oxider - de eksisterende elektrokatalytiske materialer med den højeste kendte OER-aktivitet.

I jordskorpen er Ag det mindst udbredte element blandt dem, der udgør de nyopdagede elektrokatalytiske materialer. Imidlertid er dens skorpeoverflod næsten 100 gange større end Ru, hvilket indikerer, at disse nye elektrokatalytiske materialer kan syntetiseres i tilstrækkeligt store mængder til at muliggøre brintmasseproduktion ved hjælp af vandelektrolysatorer.

Disse resultater viste, at denne AI-teknik kunne bruges til at udvide grænserne for menneskelig intelligens og dramatisk accelerere søgningen efter materialer med højere ydeevne. Ved at bruge teknikken planlægger holdet at fremskynde sine bestræbelser på at udvikle nye materialer - hovedsageligt vandelektrolyseelektrodematerialer - for at forbedre effektiviteten af ​​forskellige elektrokemiske enheder, der bidrager til kulstofneutralitet.

Dette projekt blev udført af et NIMS-forskerhold ledet af Ken Sakaushi (hovedforsker) og Ryo Tamura (teamleder). Dette arbejde blev udført i forbindelse med et andet projekt med titlen "Høj gennemløbssøgning efter havvandselektrolysekatalysatorer ved at kombinere automatiserede eksperimenter med datavidenskab" under JST-Mirai-programmets missionsområde, "lavt kulstofsamfund."

Flere oplysninger: Ken Sakaushi et al., Human-Machine Collaboration for Accelerated Discovery of Promising Oxygen Evolution Electrocatalysts with On-Demand Elements, ACS Central Science (2023). DOI:10.1021/acscentsci.3c01009

Leveret af National Institute for Materials Science




Varme artikler