Los catalizadores crean cambios.

Más de un maestro de ciencias de la escuela secundaria ha vertido unas gotas de yoduro de potasio en peróxido de hidrógeno y ha visto el deleite de sus estudiantes cuando un volcán de espuma brotó del recipiente. Este experimento es a menudo la forma en que los jóvenes aprenden por primera vez sobre los catalizadores como algo que puede inducir una reacción química.

Pero los catalizadores pueden producir más que espuma. A medida que esos jóvenes se convierten en jóvenes científicos, aprenden que la catálisis, la aceleración de una reacción química por un catalizador, es un proceso clave en la creación de casi todo. Desde los plásticos que componen nuestro equipamiento médico, a la gasolina en nuestros autos, a la pintura que colorea nuestros hogares, ninguno de estos podría existir sin catalizadores.

Los catalizadores vienen en todas las formas y tamaños, y cada uno tiene una función diferente. El descubrimiento de nuevos catalizadores a menudo significa que somos capaces de crear y perfeccionar nuevos materiales, que se puede utilizar en productos futuros, combustibles y casi todo lo demás. Desafortunadamente, Descubrir y optimizar estos nuevos catalizadores puede ser un proceso largo y difícil. involucrando un número rebelde de variables. La dificultad de este proceso es una de las principales barreras para el descubrimiento de nuevos catalizadores.

Por esta razón, Los ingenieros químicos de Carnegie Mellon han comenzado recientemente a buscar respuestas en otros campos. Recientemente, Tanto el Departamento de Energía como la Fundación Nacional de Ciencias han invertido en la investigación única que Zachary Ulissi, John Kitchin, y Andrew Gellman son pioneros, que analiza el papel que puede desempeñar el aprendizaje automático en el descubrimiento de nuevos catalizadores. Mediante el desarrollo y la implementación de nuevos algoritmos de aprendizaje automático, la velocidad a la que los investigadores pueden descubrir nuevos los catalizadores efectivos aumentarán exponencialmente.

Composición de aleación óptima para superficies catalíticas

Las pilas de combustible de hidrógeno funcionan mediante reacciones catalíticas, en particular, por lo que se conoce como una superficie de catalizador de aleación. La eficiencia de la pila de combustible depende de la mezcla exacta de metales que forman la superficie del catalizador de aleación. Pero encontrar la combinación perfecta no es fácil. Es por eso que el profesor de química John Kitchin, con el apoyo de la National Science Foundation, ha desarrollado un algoritmo de aprendizaje automático único para probar rápidamente tantas combinaciones como sea posible. Sus hallazgos se detallan en su artículo, "Modelado de la segregación en superficies AuPd (111) con teoría funcional de densidad y simulaciones de Monte Carlo, "publicado en el Revista de química física .

Las aleaciones metálicas se utilizan como catalizadores para producir peróxido de hidrógeno a partir de hidrógeno y oxígeno para su uso como oxidante verde renovable en síntesis química. En el caso de la investigación de Kitchin, esa aleación está compuesta de oro (Au) y paladio (Pd). Cuando el paladio reacciona con el hidrógeno y el oxígeno en el reactor, crea peróxido de hidrógeno, que se puede utilizar como oxidante. Desafortunadamente, a través de esta reacción, el paladio también crea agua, lo cual es indeseable para el porque desperdicia el valioso hidrógeno. Aleando oro con paladio, esta reacción secundaria puede mitigarse, haciendo que el reactor cree más peróxido de hidrógeno deseado. Pero qué tan bien la aleación puede hacer esto depende de la proporción exacta de Au a Pd en el catalizador, hasta el átomo. Verificar todas las proporciones posibles a mano llevaría mucho más tiempo del que cualquier grupo de investigadores podría dedicar.

"Nuestra investigación ha desarrollado un algoritmo de aprendizaje automático único para simular la composición de una superficie de modo que podamos estimar y determinar la distribución a escala atómica de los átomos en la superficie, "Dice Kitchin." En cualquier simulación de catálisis en superficies metálicas, los resultados dependen de los detalles de la superficie que se modela. Si la superficie modelada no es representativa de cómo se vería la superficie en el experimento, entonces los resultados de la simulación tampoco serán representativos de lo que podría observarse experimentalmente. Nuestra investigación proporciona un punto de partida para obtener un modelo más realista de la superficie para simular la catálisis que sea relevante para las observaciones experimentales ".

Intermetálicos frente a aleaciones en busca de la eficiencia

Las superficies de los catalizadores de aleación tienen varias aplicaciones en la ingeniería química, pero no son los únicos catalizadores metálicos ampliamente utilizados para reacciones químicas. Los intermetálicos son similares a las aleaciones, pero en lugar de que los átomos se mezclen al azar, Los intermetálicos se crean colocando específicamente átomos de un metal en un patrón repetitivo con los átomos de otro. Debido a su composición atómica precisa, Los intermetálicos se pueden personalizar específicamente para catalizar una reacción en particular.

Pero debido a que la ubicación atómica en intermetálicos es tan precisa, optimizar la disposición para obtener el máximo efecto catalítico es un proceso arduo. La experimentación para desarrollar mejores intermetálicos se basa en gran medida en el método de "adivinar y comprobar". Entonces, para crear un método más eficiente, Profesor asistente de química Zack Ulissi, junto con sus colaboradores en Penn State, están trabajando para desarrollar una herramienta computacional que utilice el aprendizaje automático no solo para modelar configuraciones intermetálicas y probar su eficiencia, pero utiliza los datos recopilados de estos experimentos para decidir qué configuraciones tienen más probabilidades de funcionar en el futuro. La investigación cuenta con el apoyo de una subvención de 1,2 millones de dólares del Departamento de Energía de EE. UU.

"El campo de la catálisis está adoptando el aprendizaje automático para ayudar a resolver desafíos que nos han eludido hasta ahora, "dice Ulissi". Pero, la mayoría de los primeros éxitos han sido puramente computacionales, ayudándonos a comprender mejor los catalizadores que ya conocemos. Pero este proyecto tiene que ver con el desarrollo de nuevos métodos y herramientas para acelerar el proceso de diseño de la composición ".

Herramientas experimentales para confirmar modelos de aprendizaje automático

Si bien el aprendizaje automático es una herramienta poderosa, La capacidad de confirmar experimentalmente los resultados de los modelos de aprendizaje automático es fundamental para garantizar su confiabilidad. Es por eso que el profesor Andrew Gellman y su grupo de investigación han desarrollado métodos experimentales para complementar las herramientas de aprendizaje automático desarrolladas por Kitchin y Ulissi. La Fundación Nacional de Ciencias, a través de su iniciativa Designing Materials to Revolutionize and Engineer Our Future (DMREF), ha invertido en un equipo dirigido por Gellman para ser pionero en herramientas de investigación completamente nuevas, que puede preparar cientos de composiciones de aleación simultáneamente y analizar simultáneamente sus superficies.

Estas herramientas funcionan identificando la composición óptima de aleaciones de dos o tres componentes, y compararlos con las composiciones predichas por el aprendizaje automático. Luego, estas aleaciones de componentes se pueden probar experimentalmente en el laboratorio para confirmar que funcionan como dice el modelo de aprendizaje automático. Luego, una vez que el experimento haya corroborado las predicciones del modelo para varias aleaciones binarias y ternarias, las composiciones óptimas de otras aleaciones con diferentes componentes pueden identificarse de forma fiable basándose únicamente en los métodos de aprendizaje automático.

Los investigadores de Carnegie Mellon están a la vanguardia del aprendizaje automático para la catálisis, y la amplitud y profundidad de esta investigación siempre se está expandiendo. Estudiantes de todo el mundo vienen al departamento de Ingeniería Química para estudiar este emocionante, campo emergente. Todos los días se financian nuevos proyectos, incluida una subvención ARPA-E reciente para apoyar a Gellman y Ulissi en el estudio del aprendizaje por refuerzo profundo en catálisis. Gracias a la colaboración avanzada de estos profesores, estudiantes, y cimientos, CMU ChemE está preparada para traer un cambio sin precedentes al campo del descubrimiento de catálisis.