In een bevinding die zou kunnen helpen de weg vrij te maken voor schonere brandstoffen en een duurzamere chemische industrie, onderzoekers van de Universiteit van Michigan hebben machine learning gebruikt om te voorspellen hoe de samenstelling van metaallegeringen en metaaloxiden hun elektronische structuren beïnvloeden.

De elektronische structuur is de sleutel om te begrijpen hoe het materiaal zal presteren als bemiddelaar, of katalysator, van chemische reacties.

"We leren de vingerafdrukken van materialen te identificeren en deze in verband te brengen met de prestaties van het materiaal, " zei Bryan Goldsmith, de Dow Corning universitair docent chemische technologie.

Een beter vermogen om te voorspellen welke metaal- en metaaloxidesamenstellingen het beste zijn om te bepalen welke reacties grootschalige chemische processen zoals waterstofproductie kunnen verbeteren, productie van andere brandstoffen en meststoffen, en productie van huishoudelijke chemicaliën zoals afwasmiddel.

"Het doel van ons onderzoek is om voorspellende modellen te ontwikkelen die de geometrie van een katalysator verbinden met zijn prestaties. Dergelijke modellen staan ​​centraal bij het ontwerpen van nieuwe katalysatoren voor kritische chemische transformaties, " zei Suljo Linic, de Martin Lewis Perl Collegiate Professor of Chemical Engineering.

Een van de belangrijkste benaderingen om te voorspellen hoe een materiaal zich zal gedragen als een potentiële bemiddelaar van een chemische reactie, is het analyseren van de elektronische structuur, specifiek de dichtheid van staten. Dit beschrijft hoeveel kwantumtoestanden beschikbaar zijn voor de elektronen in de reagerende moleculen en de energieën van die toestanden.

Gebruikelijk, de elektronische toestandsdichtheid wordt beschreven met samenvattende statistieken - een gemiddelde energie of een scheeftrekking die onthult of meer elektronische toestanden boven of onder het gemiddelde liggen, enzovoort.

"Dat is geen probleem, maar dat zijn slechts simpele statistieken. Misschien mis je iets. Met hoofdcomponentenanalyse, je neemt gewoon alles in je op en vindt wat belangrijk is. Je gooit niet zomaar informatie weg, ' zei Goudsmid.

Hoofdcomponentenanalyse is een klassieke methode voor machinaal leren, gegeven in inleidende data science cursussen. Ze gebruikten de elektronische toestandsdichtheid als input voor het model, aangezien de dichtheid van toestanden een goede voorspeller is voor hoe het oppervlak van een katalysator zal adsorberen, of band met, atomen en moleculen die als reactanten dienen. Het model koppelt de dichtheid van toestanden aan de samenstelling van het materiaal.

In tegenstelling tot conventionele machine learning, wat in wezen een zwarte doos is die gegevens invoert en in ruil daarvoor voorspellingen doet, het team maakte een algoritme dat ze konden begrijpen.

"We kunnen systematisch zien wat er verandert in de dichtheid van toestanden en dat correleren met geometrische eigenschappen van het materiaal, zei Jacques Esterhuizen, een doctoraatsstudent in chemische technologie en eerste auteur op het papier in Chem Katalyse .

Deze informatie helpt chemische ingenieurs bij het ontwerpen van metaallegeringen om de dichtheid van toestanden te krijgen die ze willen voor het bemiddelen van een chemische reactie. Het model weerspiegelde nauwkeurig de correlaties die al zijn waargenomen tussen de samenstelling van een materiaal en de toestandsdichtheid ervan, evenals het opduiken van nieuwe potentiële trends om te worden verkend.

Het model vereenvoudigt de dichtheid van toestanden in twee stukken, of hoofdbestanddelen. Een stuk dekt in wezen hoe de atomen van het metaal in elkaar passen. In een gelaagde metaallegering, dit omvat of het ondergrondse metaal de oppervlakte-atomen uit elkaar trekt of ze samendrukt, en het aantal elektronen dat het ondergrondse metaal bijdraagt ​​aan de binding. Het andere stuk is alleen het aantal elektronen dat de metaalatomen aan het oppervlak kunnen bijdragen aan de binding. Van deze twee hoofdcomponenten, ze kunnen de dichtheid van toestanden in het materiaal reconstrueren.

Dit concept werkt ook voor de reactiviteit van metaaloxiden. In dit geval, de zorg is het vermogen van zuurstof om te interageren met atomen en moleculen, wat gerelateerd is aan hoe stabiel de zuurstof aan het oppervlak is. Stabiele oppervlaktezuurstofatomen reageren minder snel, terwijl onstabiele oppervlaktezuurstoffen reactiever zijn. Het model legde nauwkeurig de zuurstofstabiliteit in metaaloxiden en perovskieten vast, een klasse van metaaloxiden.