Het ontwikkelen van katalysatoren voor duurzame brandstof- en chemische productie vereist een soort Goudlokje-effect:sommige katalysatoren zijn te ineffectief, terwijl andere te oneconomisch zijn. Het testen van katalysatoren kost ook veel tijd en middelen. Nieuwe doorbraken in computationele kwantumchemie, echter, veelbelovend voor het ontdekken van katalysatoren die "precies goed" zijn en duizenden keren sneller dan standaardbenaderingen.

Universitair hoofddocent John A. Keith van de Universiteit van Pittsburgh en zijn laboratoriumgroep aan de Swanson School of Engineering gebruiken nieuwe computerprocedures voor kwantumchemie om hypothetische elektrokatalysatoren te categoriseren die "te langzaam" of "te duur" zijn. veel grondiger en sneller dan een paar jaar geleden voor mogelijk werd gehouden. Keith is ook de Richard King Mellon Faculty Fellow in Energy in de afdeling Chemical and Petroleum Engineering van de Swanson School.

De onderzoekscompilatie van de Keith Group, "Computationele kwantumchemische verkenningen van chemische / materiële ruimte voor efficiënte elektrokatalysatoren, " was deze maand te zien in Koppel , een driemaandelijks tijdschrift van The Electrochemical Society.

"Al decenia, katalysatorontwikkeling was het resultaat van vallen en opstaan:jarenlange ontwikkeling en testen in het laboratorium, waardoor we een basisbegrip krijgen van hoe katalytische processen werken. Vandaag, computationele modellering geeft ons nieuw inzicht in deze reacties op moleculair niveau, Keith legde uit. "Het meest opwindende is echter de computationele kwantumchemie, die de structuren en dynamiek van veel atomen tegelijk kan simuleren. In combinatie met het groeiende veld van machine learning, we kunnen katalytische modellen sneller en nauwkeuriger voorspellen en simuleren."

In het artikel, Keith legde een drieledige benadering uit voor het voorspellen van nieuwe elektrokatalysatoren:1) het analyseren van hypothetische reactiepaden; 2) het voorspellen van ideale elektrochemische omgevingen; en 3) high-throughput screening aangedreven door alchemistische storingsdichtheidsfunctionaaltheorie en machine learning. Het artikel legt uit hoe deze benaderingen kunnen veranderen hoe ingenieurs en wetenschappers elektrokatalysatoren ontwikkelen die nodig zijn voor de samenleving.

"Deze opkomende computationele methoden kunnen onderzoekers in staat stellen meer dan duizend keer zo effectief te zijn in het ontdekken van nieuwe systemen in vergelijking met standaardprotocollen, Keith zei. "Eeuwenlang vertrouwden scheikunde en materiaalwetenschap op traditionele Edisoniaanse modellen van laboratoriumonderzoek, die veel meer mislukkingen dan successen met zich meebrengen en dus veel verspilde tijd en middelen. Traditionele computationele kwantumchemie heeft deze inspanningen versneld, maar de nieuwste methoden geven ze een boost. Dit helpt onderzoekers om de onontdekte katalysatoren die de samenleving hard nodig heeft voor een duurzame toekomst beter te lokaliseren."