Onderzoekers van ICIQ's López-groep presenteren een nieuwe methode die het rationele ontwerp van heterogene katalysatoren mogelijk maakt. Na toepassing van hoofdcomponentenanalyse en regressie (PCA) op de adsorptie-energieën van 71 verschillende C1- en C2-soorten op 12 dicht opeengepakte (overgangs)metaaloppervlakken, de wetenschappers hebben voor het eerst een interpreteerbaar model in heterogene katalyse opgehelderd.

De nieuwe methode van het team, gepubliceerd in Natuurcommunicatie , zal de ontdekking vergemakkelijken van heterogene katalysatoren die de niet-eetbare fractie van biomassa kunnen omzetten in waardevolle chemische producten. De procedure vermindert het aantal berekeningen met een factor 20 met behoud van foutbalken die vergelijkbaar zijn met de dichtheidsfunctionaaltheorie (DFT).

Zo makkelijk mogelijk, maar niet eenvoudiger

Biomassamoleculen zijn groot. Met complexe moleculaire structuren, er zijn veel reactieplaatsen waarmee rekening moet worden gehouden wanneer biomassa een interactie aangaat met een katalysator. Een relatief klein molecuul, zoals een C6, een reactienetwerk van ongeveer 500, 000 reacties, waardoor het te veel tijd en middelen vergt om met de huidige modellen te bestuderen. In tegenstelling tot, door C1- en C2-soorten te bestuderen, kunnen de wetenschappers het gedrag nu extrapoleren naar grotere moleculen die vaak in biomassa worden aangetroffen.

De onderzoekers van de López-groep pasten PCA toe, een eenvoudige en niet-gecontroleerde Machine Learning-techniek, om de dimensionaliteit van het probleem te verminderen. Na analyse van de vormingsenergieën van 71 adsorbaten op 12 dicht opeengepakte metalen oppervlakken, de onderzoekers verkregen een lineaire uitdrukking met twee termen die het mogelijk maakt om hele reactienetwerken op metalen oppervlakken snel en nauwkeurig te onderzoeken, terwijl het aantal benodigde DFT-berekeningen drastisch wordt verminderd.

De eenvoud van het resulterende model heeft de ICIQ-onderzoekers in staat gesteld een stap verder te gaan dan de stand van de techniek en de resultaten te interpreteren - een primeur in heterogene katalyse.

Van zwart naar groen

Het interpreteren van de resultaten van machine learning-tools kan een uitdaging zijn. Gelukkig, de ICIQ-wetenschappers hebben de doos kunnen openen en de parameters van de vergelijking in fysieke termen kunnen interpreteren. "Als je weet wat elk van de termen in de vergelijking betekent, u kunt verder gaan en uw model uitbreiden, " legt Rodrigo García-Muelas uit, eerste auteur van het artikel. "De eerste term van de vergelijking beschrijft de covalentie van de binding, terwijl de tweede gerelateerd is aan de ioniciteit van de binding." De wiskundige volgorde die wordt gebruikt om de modellen te vinden, is openbaar beschikbaar voor andere onderzoekers om de resultaten te reproduceren.

Het nieuwe model is van toepassing op een breed scala aan scenario's en maakt het mogelijk om te voorspellen hoe een systeem zal reageren en wat het zal opleveren door alleen de kenmerken van de obligaties te kennen. Machine learning-benaderingen toegepast op katalyse vergroten ons begrip van de innerlijke werking van moleculen, waardoor de transformatie van biomassa in biobrandstoffen dichterbij komt, daarmee een groener alternatief bieden voor fossiele brandstoffen.