Een nieuwe machine learning-aanpak biedt belangrijke inzichten in katalyse, een fundamenteel proces dat het mogelijk maakt de uitstoot van giftige uitlaatgassen te verminderen of essentiële materialen zoals stof te produceren.

In een rapport gepubliceerd in Natuurcommunicatie , Hongliang Xin, universitair hoofddocent chemische technologie aan Virginia Tech, en zijn team van onderzoekers ontwikkelden een Bayesiaans leermodel van chemisorptie, of kortweg Bayeschem, gericht op het gebruik van kunstmatige intelligentie om de aard van chemische binding op katalysatoroppervlakken te ontsluiten.

"Het komt allemaal neer op hoe katalysatoren binden met moleculen, "zei Xin. "De interactie moet sterk genoeg zijn om sommige chemische bindingen bij redelijk lage temperaturen te verbreken, maar niet zo sterk dat katalysatoren zouden worden vergiftigd door reactietussenproducten. Deze regel staat bekend als het Sabatier-principe in katalyse."

Begrijpen hoe katalysatoren interageren met verschillende tussenproducten en bepalen hoe hun bindingssterkten kunnen worden gecontroleerd, zodat ze zich binnen die 'goudlokje-zone' bevinden, is de sleutel tot het ontwerpen van efficiënte katalytische processen, zei Xin. Het onderzoek biedt daarvoor een hulpmiddel.

Bayeschem werkt met Bayesiaans leren, een specifiek machine learning-algoritme voor het afleiden van modellen uit gegevens. "Stel dat je een domeinmodel hebt dat gebaseerd is op gevestigde natuurwetten, en je wilt het gebruiken om voorspellingen te doen of iets nieuws over de wereld te leren, " legde Siwen Wang uit, een voormalig doctoraalstudent scheikunde. "De Bayesiaanse benadering is om de distributie van modelparameters te leren, gezien onze voorkennis en de waargenomen, vaak schaars, gegevens, terwijl het verstrekken van onzekerheid kwantificering van modelvoorspellingen."

De d-bandtheorie van chemisorptie die in Bayeschem wordt gebruikt, is een theorie die chemische binding beschrijft op vaste oppervlakken met d-elektronen die gewoonlijk de vorm hebben van een klavertje vier. Het model legt uit hoe d-orbitalen van katalysatoratomen elkaar overlappen en aangetrokken worden door adsorberende valentie-orbitalen die een bolvormige of halterachtige vorm hebben. Het wordt beschouwd als het standaardmodel in heterogene katalyse sinds de ontwikkeling door Hammer en Nørskov in de jaren negentig, en hoewel het succesvol is geweest in het verklaren van bindingstrends van veel systemen, Xin zei dat het model soms faalt vanwege de intrinsieke complexiteit van elektronische interacties.

Volgens Xin, Bayeschem brengt de d-bandtheorie naar een nieuw niveau voor het kwantificeren van die interactiesterkten en mogelijk het afstemmen van enkele knoppen, zoals structuur en compositie, betere materialen te ontwerpen. De benadering bevordert de d-bandtheorie van chemisorptie door de voorspellings- en interpretatiemogelijkheden van adsorptie-eigenschappen uit te breiden, die beide cruciaal zijn bij het ontdekken van katalysatoren. Echter, vergeleken met de black-box machine learning-modellen die worden getraind door grote hoeveelheden data, de voorspellingsnauwkeurigheid van Bayeschem is nog voor verbetering vatbaar, zei Hemanth Pillai, een doctoraalstudent scheikunde in de groep van Xin die in gelijke mate bijdroeg aan het onderzoek.

"De mogelijkheid om met zeer nauwkeurige en interpreteerbare modellen te komen die voortbouwen op deep learning-algoritmen en de theorie van chemisorptie is zeer lonend voor het bereiken van de doelen van kunstmatige intelligentie in katalyse, ' zei Xin.