Onderzoekers effenen de weg naar totale afhankelijkheid van hernieuwbare energie terwijl ze zowel grootschalige als kleinschalige manieren bestuderen om fossiele brandstoffen te vervangen. Een veelbelovende optie is het omzetten van eenvoudige chemicaliën in waardevolle chemicaliën met behulp van hernieuwbare elektriciteit, inclusief processen zoals koolstofdioxidereductie of watersplitsing. Maar om deze processen op te schalen voor wijdverbreid gebruik, we moeten nieuwe elektrokatalysatoren ontdekken - stoffen die de snelheid van een elektrochemische reactie op een elektrodeoppervlak verhogen. Om dit te doen, onderzoekers van Carnegie Mellon University zoeken naar nieuwe methoden om het ontdekkingsproces te versnellen:machine learning.

Zak Ulissi, een assistent-professor chemische technologie (ChemE), en zijn groep gebruiken machine learning om de ontdekking van elektrokatalysatoren te begeleiden. Met de hand, onderzoekers besteden uren aan routineberekeningen aan materialen die misschien niet werken. Het team van Ulissi heeft een systeem ontwikkeld dat deze routineberekeningen automatiseert, verkent een grote zoekruimte, en suggereert nieuwe legeringen die veelbelovende eigenschappen hebben voor elektrokatalyse.

"Hierdoor kunnen we onze tijd besteden aan het stellen van wetenschappelijke vragen, Leuk vinden, 'Hoe voorspel je de eigenschappen van iets, ' 'Wat is het thermodynamische model, ' 'Wat is het model van het systeem, ' of 'Hoe representeer je het systeem?'", zei Ulissi.

De onderzoekers testten hun methode op de ontdekking van intermetallische stoffen die goede elektrokatalysatoren zouden kunnen zijn voor de reductie van kooldioxide en de ontwikkeling van waterstof - twee zeer complexe reacties. Een goede elektrokatalysator is goedkoop, selectief, actief, efficiënt, en stabiel. Veel elektrokatalysatoren zijn gemaakt van een klasse metalen die intermetallische stoffen worden genoemd, die samen een gedefinieerde kristalstructuur hebben. Met een machine learning-systeem, het kan snel combinaties van intermetallische stoffen screenen op een of meer eigenschappen die verband houden met een goede elektrokatalysator.

Ulissi en Kevin Tran, een ChemE Ph.D. student, een systeem van scripts hebben dat elke nacht een database doorzoekt van de miljoenen adsorptiesites op duizenden intermetallische, of waar een ander element zou kunnen hechten. Op basis van die zoektocht het systeem bouwt een machine learning-model om te voorspellen op welke site het de volgende dag berekeningen moet uitvoeren. Vervolgens voert hij de berekeningen uit, die meer onthullen over de eigenschappen van elke intermetallische plaats, en de resultaten worden opgeslagen in een database en gebruikt om het model opnieuw te trainen. Dan herhaalt de lus zich, elke keer beter en interessanter materiaal vinden. Op deze manier, het geeft geen korting op alle materialen die geen goede katalysatoren zouden zijn, maar geeft de onderzoeker het vertrouwen dat de materialen die het systeem suggereert niet tot een doodlopende weg leiden.

"Wat we hebben gebouwd is een slimme machine, maar ons doel is niet echt een slimme machine, " zei Tran, een co-auteur van het onderzoek. "Ons doel is om een ​​machine te maken die ons data levert. Dus we gebruiken de machine echt als boer, om op een intelligente manier gegevens te verzamelen."

Terwijl een mens ongeveer 10 tot 20 nieuwe energieën per week zou kunnen bestuderen, de machine kan honderden per dag bestuderen. Voorafgaand aan het geautomatiseerde systeem, onderzoekers zouden de ruimte moeten beperken tot één materiaalklasse en in die ruimte moeten werken. Nutsvoorzieningen, ze kunnen een meer holistische benadering kiezen.

Door deze studie, gepubliceerd in Natuur Katalyse , de onderzoekers hebben een lijst met materialen en intermetallische combinaties die experimentatoren zouden moeten proberen, zowel voor waterstofontwikkeling als voor koolstofdioxidereductie. De experimenten zullen dan bepalen wat goede elektrokatalysatoren zijn voor de grote schaal.

"Ik denk niet dat mensen het eerder op deze manier hadden gedaan." zei Ulissi. "Op dit punt beperken we ons alleen tot wat experimentatoren zouden moeten focussen. We hebben kunnen laten zien dat de ruimte groter is dan mensen dachten. We hebben interessante ideeën gevonden, bijvoorbeeld als je twee dingen neemt die te zwak zijn, kunnen ze in feite iets sterkers maken We hadden geen idee of we zulke resultaten zouden vinden of niet."