Los ingenieros químicos de la Rice University y la Pennsylvania State University han demostrado que la combinación del aprendizaje automático y la química cuántica puede ahorrar tiempo y dinero en el diseño de nuevos catalizadores.

"Se generan grandes cantidades de datos en catálisis computacional, y el campo está comenzando a darse cuenta de que las herramientas de ciencia de datos pueden ser extremadamente valiosas para examinar datos de gran volumen y buscar correlaciones fundamentales que de otro modo podríamos perder. "dijo Thomas Senftle de Rice, coautor de un nuevo estudio publicado en línea esta semana en Catálisis de la naturaleza . "De eso se trata realmente este artículo. Combinamos herramientas bien establecidas para la generación y el análisis de datos de una manera que nos permitió buscar correlaciones que de otro modo no hubiéramos notado".

Un catalizador es una sustancia que acelera las reacciones químicas sin ser consumida por ellas. Los convertidores catalíticos en automóviles, por ejemplo, contienen metales como el platino y el paladio que ayudan en las reacciones que descomponen los contaminantes del aire. Los catalizadores son un pilar de las industrias química y farmacéutica, y el mercado mundial de catalizadores se estima en $ 20 mil millones por año.

Los metales utilizados en los convertidores catalíticos suelen formar parte de una malla de alambre. A medida que el escape caliente atraviesa la malla, los átomos de metal en la superficie catalizan reacciones que descomponen algunas moléculas nocivas en subproductos inofensivos.

"Esa es una reacción en fase gaseosa, "Senftle dijo sobre el ejemplo del convertidor catalítico." Hay una cierta concentración de especies en fase gaseosa que salen del motor. Queremos un catalizador que convierta los contaminantes en productos inocuos, pero los diferentes automóviles tienen diferentes motores que producen diferentes composiciones de esos productos, por lo que un catalizador que funciona bien en una situación puede no funcionar tan bien en otra ".

La práctica de hacer fluir los reactivos a través de un catalizador también es común en la industria. En muchos casos, un metal catalítico se une a una superficie sólida y los reactivos fluyen sobre la superficie, ya sea como líquido o como gas. Para procesos industriales que fabrican toneladas de productos por año, Mejorar la eficiencia del catalizador metálico incluso en un pequeño porcentaje puede traducirse en millones de dólares para las empresas.

"Si tiene una idea clara de las propiedades del catalizador metálico y del material del sustrato al que se adhiere el metal, que le permite limitar básicamente su búsqueda al principio, Senftle dijo:"Puede reducir su espacio de diseño utilizando la computadora para explorar qué materiales es probable que funcionen bien bajo ciertas condiciones".

Senftle, profesor asistente de ingeniería química y biomolecular en Rice, comenzó la investigación recientemente publicada cuando todavía era un estudiante graduado en Penn State en 2015, junto con los autores principales Nolan O'Connor y A.S.M. Jonayat y el coautor Michael Janik. Comenzaron utilizando la teoría funcional de la densidad para calcular la fuerza de unión de átomos individuales de muchos tipos diferentes de metales con una variedad de sustratos de óxidos metálicos.

"La energía de unión entre el metal y el sustrato es de particular interés porque cuanto más fuerte es la unión, es menos probable que el átomo de metal se desprenda, "Dijo Janik." Si podemos controlar esa energía vinculante, podemos adaptar la distribución de tamaño de estas partículas metálicas, y eso, Sucesivamente, va a afectar la reacción general que pueden catalizar ".

O'Connor dijo:"Teníamos curiosidad por las propiedades de los átomos metálicos individuales y las superficies de óxido que formaban pares de interacción fuerte, que es una propiedad que podemos utilizar para diseñar catalizadores robustos ".

Junto con la lista de energías vinculantes, el equipo tenía un catálogo de aproximadamente 330, 000 propiedades adicionales para cada una de las combinaciones metal-sustrato, incluyendo factores como la energía de formación de óxido, número de coordinación, energía de formación de aleación y energía de ionización.

"El algoritmo de aprendizaje automático busca las combinaciones de esos descriptores que se correlacionan con los datos observados sobre las energías de enlace, ", Dijo Jonayat." Básicamente nos permite preguntar, 'De todos estos descriptores, ¿cómo podemos encontrar los que se correlacionan con el comportamiento observado en el que estamos interesados? "

Dijo que identificar tales correlaciones puede agilizar el diseño del catalizador al hacer posible predecir cómo se comportarán los materiales antes de las pruebas de laboratorio que pueden ser costosas y requerir mucho tiempo. El aprendizaje automático también puede identificar efectos interesantes que merecen un estudio adicional.

Por ejemplo, Senftle dijo que una correlación que seguía apareciendo en el estudio era la importancia de la interacción directa entre los metales catalíticos y los átomos metálicos en el soporte. Dijo que esto era inesperado porque los metales típicamente tienen una fuerte afinidad para unirse con el oxígeno en lugar de unirse entre sí.

"Originalmente, la idea era que lo importante era el oxígeno, ", Dijo Senftle." Estábamos interesados ​​en determinar qué tan bien estos dos metales diferentes compartían el oxígeno. Pero esta interacción directa entre los metales mismos siguió apareciendo en nuestros cálculos, y jugó un papel mucho más importante en dictar el comportamiento general del sistema de lo que habíamos anticipado ".

Senftle dijo que le gustaría aprovechar la complejidad de las simulaciones en investigaciones futuras.

"Aquí observamos las interacciones entre los metales y los soportes en un entorno prístino sin moléculas de agua ni impurezas de ningún tipo, ", dijo." En realidad, los catalizadores se utilizan en entornos de reacción muy complicados, y nos gustaría examinar cómo cambian estas tendencias en esos entornos. Por ejemplo, si este fuera un ambiente acuoso, el agua o el agua disociada probablemente se adsorberían en la superficie. Estos van a afectar la interacción, porque ahora tienes otro jugador que comparte la densidad de electrones y comparte los oxígenos de la superficie ".