Una técnica de aprendizaje automático redescubrió rápidamente las reglas que gobiernan los catalizadores que a los humanos les llevó años de cálculos difíciles de revelar, e incluso explicaron una desviación. El equipo de la Universidad de Michigan que desarrolló la técnica cree que otros investigadores podrán usarla para lograr un progreso más rápido en el diseño de materiales para una variedad de propósitos.

"Esto abre una nueva puerta, no solo en la comprensión de la catálisis, pero también potencialmente para extraer conocimiento sobre superconductores, enzimas termoeléctrica, y fotovoltaica, "dijo Bryan Goldsmith, un profesor asistente de ingeniería química, quien codirigió el trabajo con Suljo Linic, profesor de ingeniería química.

La clave de todos estos materiales es cómo se comportan sus electrones. A los investigadores les gustaría utilizar técnicas de aprendizaje automático para desarrollar recetas para las propiedades del material que desean. Para superconductores, los electrones deben moverse sin resistencia a través del material. Las enzimas y los catalizadores deben negociar los intercambios de electrones, habilitar nuevos medicamentos o reducir los residuos químicos, por ejemplo. La termoeléctrica y la fotovoltaica absorben luz y generan electrones energéticos, generando así electricidad.

Los algoritmos de aprendizaje automático suelen ser "cajas negras, "lo que significa que toman datos y escupen una función matemática que hace predicciones basadas en esos datos.

"Muchos de estos modelos son tan complicados que es muy difícil extraer información de ellos, "dijo Jacques Esterhuizen, estudiante de doctorado en ingeniería química y primer autor del artículo en la revista Chem . "Eso es un problema porque no solo nos interesa predecir las propiedades de los materiales, también queremos entender cómo la estructura atómica y la composición se corresponden con las propiedades del material ".

Pero una nueva generación de algoritmos de aprendizaje automático permite a los investigadores ver las conexiones que está haciendo el algoritmo, identificar qué variables son más importantes y por qué. Esta es información fundamental para los investigadores que intentan utilizar el aprendizaje automático para mejorar los diseños de materiales. incluso para catalizadores.

Un buen catalizador es como un casamentero químico. Necesita poder agarrar los reactivos, o los átomos y moléculas que queremos que reaccionen, para que se encuentren. Todavía, debe hacerlo lo suficientemente holgado como para que los reactivos prefieran unirse entre sí en lugar de adherirse al catalizador.

En este caso particular, observaron catalizadores metálicos que tienen una capa de un metal diferente justo debajo de la superficie, conocida como aleación subsuperficial. Esa capa subsuperficial cambia la forma en que se espacian los átomos en la capa superior y la disponibilidad de los electrones para unirse. Al ajustar el espaciado, y de ahí la disponibilidad de electrones, Los ingenieros químicos pueden fortalecer o debilitar la unión entre el catalizador y los reactivos.

Esterhuizen comenzó ejecutando simulaciones de mecánica cuántica en el Centro Nacional de Computación Científica de Investigación Energética. Estos formaron el conjunto de datos, mostrando cómo los catalizadores de aleación subsuperficiales comunes, incluidos metales como el oro, iridio y platino, unirse con reactivos comunes como el oxígeno, hidróxido y cloro.

El equipo utilizó el algoritmo para observar ocho propiedades y condiciones de los materiales que podrían ser importantes para la fuerza de unión de estos reactivos. Resultó que tres importaban más. La primera fue si los átomos de la superficie del catalizador se separaron entre sí o se comprimieron entre sí por el metal diferente debajo. El segundo fue cuántos electrones había en el orbital de electrones responsable de la unión, el d-orbital en este caso. Y el tercero era el tamaño de esa nube de electrones d.

Las predicciones resultantes de cómo las diferentes aleaciones se unen con diferentes reactivos reflejan principalmente el modelo de "banda d", que se desarrolló durante muchos años de cálculos mecánicos cuánticos y análisis teóricos. Sin embargo, también explicaron una desviación de ese modelo debido a fuertes interacciones repulsivas, que ocurre cuando los reactivos ricos en electrones se unen a metales con orbitales de electrones en su mayoría llenos.