Wetenschap
Machine learning versnelt de ontdekking van hoogwaardige metaaloxidekatalysatoren
Onderzoekers hebben de kracht van kunstmatige intelligentie benut om de ontdekking en optimalisatie van uit meerdere componenten bestaande metaaloxide-elektrokatalysatoren voor de zuurstofreductiereactie (ORR) aanzienlijk te bevorderen.
Deze doorbraak heeft het potentieel om een revolutie teweeg te brengen in de efficiëntie en betaalbaarheid van technologieën voor hernieuwbare energie, zoals waterstofbrandstofcellen en batterijen, en zo de weg vrij te maken voor een duurzame energietoekomst.
Details van de bevindingen zijn gepubliceerd in het Journal of Materials Chemistry A op 23 april 2024.
De studie analyseerde 7.798 verschillende metaaloxide-ORR-katalysatoren uit experimenten met hoge doorvoer. Deze katalysatoren, die elementen bevatten zoals nikkel, ijzer, mangaan, magnesium, calcium, lanthaan, yttrium en indium, werden getest op verschillende mogelijkheden om hun prestaties te evalueren.
Met behulp van de machine learning-methode XGBoost bouwden de onderzoekers een voorspellend model om potentiële nieuwe composities te identificeren zonder de noodzaak van uitgebreide experimentele tests.
Uit het onderzoek bleek dat een groot aantal rondtrekkende elektronen en een hoge configuratie-entropie cruciale kenmerken zijn voor het bereiken van een hoge stroomdichtheid in ORR. Voor een stroomdichtheid bij 0,8 VRHE vertoonden de ternaire systemen Mn – Ca – La, Mn – Ca – Y en Mn – Mg – Ca een aanzienlijk potentieel voor toepassingen op het gebied van waterstofbrandstofcellen. Bij 0,63 VRHE werden de Mn – Fe – X (X =Ni, La, Ca, Y) en Mn – Ni – X (X =Ca, Mg, La, Y) systemen geïdentificeerd als veelbelovende kandidaten voor de productie van waterstofperoxide.
"Onze innovatieve aanpak met behulp van machinaal leren versnelt het ontwerp en de optimalisatie van katalysatoren met meerdere componenten, waardoor aanzienlijke tijd en middelen worden bespaard", zegt Xue Jia, assistent-professor aan het Advanced Institute for Materials Research en een van de co-auteurs van het onderzoek.
"Door op efficiënte wijze hoogwaardige katalysatorsamenstellingen te identificeren, beschikken we over een bewezen transformatieve methode die kan leiden tot aanzienlijke vooruitgang in duurzame energietechnologieën.
Verbeterde katalysatoren kunnen de efficiëntie verbeteren en de kosten van technologieën voor hernieuwbare energie verlagen, waardoor de bredere toepassing ervan wordt bevorderd en de afhankelijkheid van fossiele brandstoffen wordt verminderd. Efficiëntere energieopslagsystemen kunnen de totale kosten verlagen, waardoor duurzame energie toegankelijker wordt en wordt bijgedragen aan het behoud van het milieu.
De succesvolle toepassing van machinaal leren in dit onderzoek schept een precedent voor toekomstig onderzoek en kan mogelijk leiden tot doorbraken op verschillende wetenschappelijke gebieden. Verbeterde ORR-katalysatoren kunnen ook de productie van waterstofperoxide verbeteren, dat veel wordt gebruikt voor desinfectie en industriële processen, wat de volksgezondheid en veiligheid ten goede komt.
"Dit onderzoek onderstreept het ongelooflijke potentieel van kunstmatige intelligentie bij het versnellen van het ontwerp van katalysatoren en de ontdekking van materialen", voegt Jia toe. "Onze bevindingen zullen hopelijk toekomstige doorbraken in duurzame energietechnologieën mogelijk maken, die cruciaal zijn voor het aanpakken van de mondiale energie-uitdagingen."