Een machine learning-techniek herontdekte snel regels voor katalysatoren die mensen jaren van moeilijke berekeningen kostte om te onthullen - en zelfs een afwijking verklaarde. Het team van de Universiteit van Michigan dat de techniek heeft ontwikkeld, gelooft dat andere onderzoekers het kunnen gebruiken om sneller vooruitgang te boeken bij het ontwerpen van materialen voor verschillende doeleinden.

"Dit opent een nieuwe deur, niet alleen in het begrijpen van katalyse, maar ook potentieel voor het extraheren van kennis over supergeleiders, enzymen, thermo-elektriciteit, en fotovoltaïsche, " zei Bryan Goldsmith, een assistent-professor chemische technologie, die samen met Suljo Linic het werk leidde, een professor in de chemische technologie.

De sleutel tot al deze materialen is hoe hun elektronen zich gedragen. Onderzoekers willen machine learning-technieken gebruiken om recepten te ontwikkelen voor de materiaaleigenschappen die ze willen. Voor supergeleiders, de elektronen moeten zich zonder weerstand door het materiaal bewegen. Enzymen en katalysatoren moeten de uitwisseling van elektronen bemiddelen, nieuwe medicijnen mogelijk maken of chemisch afval verminderen, bijvoorbeeld. Thermo-elektriciteit en fotovoltaïsche energie absorberen licht en genereren energetische elektronen, daarmee elektriciteit opwekken.

Algoritmen voor machinaal leren zijn meestal "zwarte dozen, " wat betekent dat ze gegevens opnemen en een wiskundige functie uitspugen die voorspellingen doet op basis van die gegevens.

"Veel van deze modellen zijn zo ingewikkeld dat het erg moeilijk is om er inzichten uit te halen. zei Jacques Esterhuizen, een doctoraatsstudent in chemische technologie en eerste auteur van het artikel in het tijdschrift Chemo . "Dat is een probleem omdat we niet alleen geïnteresseerd zijn in het voorspellen van materiaaleigenschappen, we willen ook begrijpen hoe de atomaire structuur en samenstelling overeenkomen met de materiaaleigenschappen."

Maar een nieuw soort machine learning-algoritme laat onderzoekers de verbanden zien die het algoritme maakt, identificeren welke variabelen het belangrijkst zijn en waarom. Dit is cruciale informatie voor onderzoekers die machine learning proberen te gebruiken om materiaalontwerpen te verbeteren, ook voor katalysatoren.

Een goede katalysator is als een chemische matchmaker. Het moet de reactanten kunnen grijpen, of de atomen en moleculen die we willen laten reageren, zodat ze elkaar ontmoeten. Nog, het moet zo losjes doen dat de reactanten liever met elkaar binden dan aan de katalysator blijven plakken.

In dit specifieke geval, ze keken naar metaalkatalysatoren die net onder het oppervlak een laag van een ander metaal hebben, bekend als een ondergrondse legering. Die ondergrondse laag verandert hoe de atomen in de bovenste laag uit elkaar staan ​​en hoe beschikbaar de elektronen zijn voor binding. Door de afstand aan te passen, en vandaar de elektronenbeschikbaarheid, chemische ingenieurs kunnen de binding tussen de katalysator en de reactanten versterken of verzwakken.

Esterhuizen begon met het uitvoeren van kwantummechanische simulaties bij het National Energy Research Scientific Computing Center. Deze vormden de dataset, laat zien hoe vaak ondergrondse legeringskatalysatoren, waaronder metalen zoals goud, iridium en platina, binding met gewone reactanten zoals zuurstof, hydroxide en chloor.

Het team gebruikte het algoritme om te kijken naar acht materiaaleigenschappen en omstandigheden die belangrijk kunnen zijn voor de bindingssterkte van deze reactanten. Het bleek dat drie er het meest toe deden. De eerste was of de atomen op het katalysatoroppervlak uit elkaar werden getrokken of samengeperst door de verschillende metalen eronder. De tweede was hoeveel elektronen er in de elektronenorbitaal waren die verantwoordelijk waren voor binding, de d-orbitaal in dit geval. En de derde was zo groot als die d-elektronenwolk.

De resulterende voorspellingen voor hoe verschillende legeringen binden met verschillende reactanten weerspiegelden meestal het "d-band" -model, die is ontwikkeld gedurende vele jaren van kwantummechanische berekeningen en theoretische analyse. Echter, ze verklaarden ook een afwijking van dat model vanwege sterke weerzinwekkende interacties, die optreedt wanneer elektronenrijke reactanten binden aan metalen met meestal gevulde elektronenorbitalen.