Los investigadores están allanando el camino hacia una dependencia total de la energía renovable a medida que estudian formas a gran y pequeña escala de reemplazar los combustibles fósiles. Una vía prometedora es convertir productos químicos simples en valiosos utilizando electricidad renovable. incluidos procesos como la reducción de dióxido de carbono o la división del agua. Pero para escalar estos procesos para un uso generalizado, necesitamos descubrir nuevos electrocatalizadores, sustancias que aumentan la velocidad de una reacción electroquímica que se produce en la superficie de un electrodo. Para hacerlo Los investigadores de la Universidad Carnegie Mellon están buscando nuevos métodos para acelerar el proceso de descubrimiento:el aprendizaje automático.
Zack Ulissi, un profesor asistente de ingeniería química (ChemE), y su grupo están utilizando el aprendizaje automático para guiar el descubrimiento de electrocatalizadores. Manualmente, los investigadores pasan horas haciendo cálculos de rutina con materiales que pueden no funcionar. El equipo de Ulissi ha creado un sistema que automatiza estos cálculos de rutina, explora un gran espacio de búsqueda, y sugiere nuevas aleaciones que tienen propiedades prometedoras para la electrocatálisis.
"Esto nos permite dedicar nuestro tiempo a hacer preguntas científicas, igual que, '¿Cómo se predicen las propiedades de algo, '¿Qué es el modelo termodinámico, '¿Cuál es el modelo del sistema, 'o' ¿Cómo representa el sistema? '", dijo Ulissi.
Los investigadores probaron su método en el descubrimiento de intermetálicos que podrían ser buenos electrocatalizadores para la reducción del dióxido de carbono y el desprendimiento de hidrógeno, dos reacciones muy complejas. Un buen electrocatalizador es económico, selectivo, activo, eficiente, y estable. Muchos electrocatalizadores están hechos de una clase de metales llamados intermetálicos, que cuando se juntan tienen una estructura cristalina definida. Con un sistema de aprendizaje automático, Puede seleccionar rápidamente combinaciones de intermetálicos para una o más propiedades asociadas con un buen electrocatalizador.
Ulissi y Kevin Tran, un ChemE Ph.D. estudiante, tener un sistema de scripts que cada noche busca en una base de datos de los millones de sitios de adsorción en miles de intermetálicos, o donde otro elemento pudiera adherirse. Basado en esa búsqueda, el sistema crea un modelo de aprendizaje automático para predecir en qué sitio debe ejecutar los cálculos durante el día siguiente. Luego ejecuta los cálculos, que revelan más sobre las propiedades de cada sitio intermetálico, y los resultados se almacenan en una base de datos y se utilizan para reentrenar el modelo. Entonces el bucle se repite, cada vez encontrando materiales mejores y más interesantes. De este modo, descuenta cualquier material que no sería un buen catalizador, pero le da al investigador la confianza de que los materiales que sugiere el sistema no conducirán a un callejón sin salida.
"Lo que hemos construido es una máquina inteligente, pero nuestro objetivo no es realmente una máquina inteligente, "dijo Tran, coautor del estudio. "Nuestro objetivo es crear una máquina que nos proporcione datos. Por lo tanto, realmente usamos la máquina como agricultor, para recopilar datos de forma inteligente ".
Mientras que un humano podría estudiar aproximadamente de 10 a 20 nuevas energías a la semana, la máquina puede estudiar cientos por día. Antes del sistema automatizado, los investigadores tendrían que reducir el espacio a una clase de materiales y trabajar en ese espacio. Ahora, pueden adoptar un enfoque más holístico.
A través de este estudio, publicado en Catálisis de la naturaleza , los investigadores tienen una lista de materiales y combinaciones intermetálicas que los experimentadores deberían probar, tanto para el desprendimiento de hidrógeno como para la reducción de dióxido de carbono. Los experimentos determinarán entonces qué serán buenos electrocatalizadores para la gran escala.
"No creo que la gente lo haya hecho de esta manera antes". dijo Ulissi. "En este punto, solo estamos reduciendo en qué deberían enfocarse los experimentadores. Pudimos demostrar que el espacio es más grande de lo que la gente pensaba. Encontramos ideas interesantes, como si tomas dos cosas que son demasiado débiles, en realidad pueden hacer algo más fuerte . No teníamos idea de si íbamos a encontrar resultados como ese o no ".
