Een menselijk onderzoeksteam en een machine learning-algoritme hebben ontdekt dat we veel van wat we weten over iridiumoxide moeten heroverwegen.

Iridiumoxide is een uitstekende katalysator voor elektrochemische reacties, en wordt typisch gebruikt voor de productie van energiedragers zoals waterstof uit water. Nu blijkt dat het tot dusver uitgevoerde onderzoek naar iridiumoxide is gebaseerd op een verkeerde uitgangspunt:de rangschikking van de atomen op het oppervlak is totaal anders dan eerder werd aangenomen.

De manier waarop dit verrassende resultaat werd bepaald, geeft een verleidelijke eerste blik op hoe onderzoek in de toekomst zou kunnen worden uitgevoerd:een samenwerking tussen een menselijk onderzoeksteam en kunstmatige intelligentie analyseerde hetzelfde probleem, en kwam tot dezelfde conclusie. Omdat de onderzoekers van de TU Wien en de TU München tegelijkertijd tot hetzelfde resultaat kwamen, ze publiceerden hun bevindingen gezamenlijk in het tijdschrift Fysieke beoordelingsbrieven .

Hoe een kristal te snijden?

"Een kristal kan verschillende oppervlakken hebben met heel verschillende eigenschappen, " verklaarde Florian Kraushofer van de onderzoeksgroep van prof. Ulrike Diebold (Instituut voor Technische Natuurkunde, Technische Universiteit Wenen). "Laten we ons voorstellen dat we een kristal hebben dat bestaat uit kubusvormige cellen. Als we er doorheen snijden, er ontstaan ​​nogal verschillende oppervlakken, afhankelijk van de richting waarin we snijden."

Als je precies in de richting van de kubuscellen knipt, het oppervlak bestaat alleen uit vierkanten. Als je de kubuscellen diagonaal snijdt, hierdoor ontstaat ook een regelmatig oppervlak, maar met een andere regeling.

"Als een kristal langzaam groeit, het vormt normaal gesproken het oppervlak dat het meest gunstig is in termen van energie, " zegt Kraushofer. Niet alle mogelijke atomaire arrangementen zijn echter stabiel, en in sommige gevallen verschuiven of herschikken de atomen op het oppervlak om energie te besparen. "Typisch, men moet zeer complexe simulaties uitvoeren met behulp van een supercomputer om te bepalen welke geometrische configuratie het meest stabiel is, " legt Kraushofer uit. "In het geval van iridiumoxide, dergelijke berekeningen hadden aangetoond dat het meest stabiele oppervlak werd gevormd in de zogenaamde 110-richting, maar onze experimenten toonden aan dat er iets niet klopte, en dat een ander oppervlak stabieler was."

Machines doen kwantumfysica

Op een congres net voor de corona-lockdown, Ulrike Diebold ontmoette Karsten Reuter van de Technische Universiteit van München, die ook aan iridiumoxide werkt. Zijn team maakt gebruik van machine learning, d.w.z. technieken op het gebied van kunstmatige intelligentie - om materiaaleigenschappen beter te berekenen. Ze hadden precies dezelfde verrassing als in Wenen:"Net als het experiment, de machine learning-algoritmen hadden voorspeld dat de stabiele richting van het iridiumoxide-oppervlak anders zou zijn dan eerder werd gedacht, ", zegt Reuter. "Dus hebben we besloten om samen de zaak nader te bekijken."

Er werd toen verder onderzoek gedaan, inclusief uitgebreidere computersimulaties, en er werd aangetoond dat de nieuwe structuur die door het experiment en de machine learning-algoritmen is bepaald, eigenlijk juist is.

Mens en machine:een blik in de toekomst

"Dus nu moeten we alle eerdere resultaten over iridiumdioxide heroverwegen, " zegt Ulrike Diebold. "De oriëntatie van het oppervlak speelt een beslissende rol in het chemische en fysische gedrag van het materiaal, en dit moet worden opgenomen."

Voor Diebold, het resultaat is ook een belangrijk bewijs dat nieuwe onderzoeksmethoden op het gebied van machine learning zeer waardevol kunnen zijn voor de wetenschap:"Vooral als het gaat om het ontwikkelen van nieuwe materialen op basis van kwantumfysica, computersimulaties zijn al jaren onmisbaar, maar ze zijn vaak extreem complex, duur en tijdrovend", zegt Ulrike Diebold. "Als machine learning intelligent kan worden toegepast voor zulke ingewikkelde vragen, het kan een geweldige nieuwe tool worden die materiaalonderzoek een grote stap voorwaarts zal maken. Natuurlijk, om dit mogelijk te maken, we hebben ook de best mogelijke experimentele metingen nodig. "

"Dit zal de menselijke intelligentie niet vervangen - net zoals het ons tot nu toe niet heeft kunnen vervangen door computersimulaties, Diebold is overtuigd. "Maar algoritmes voor machine learning zullen ons helpen om met goede ideeën te komen die we zelf niet per se zouden hebben bedacht."