Un nuevo enfoque de aprendizaje automático ofrece información importante sobre la catálisis, un proceso fundamental que permite reducir la emisión de gases de escape tóxicos o producir materiales esenciales como la tela.

En un informe publicado en Comunicaciones de la naturaleza , Hongliang Xin, profesor asociado de ingeniería química en Virginia Tech, y su equipo de investigadores desarrollaron un modelo de aprendizaje bayesiano de quimisorción, o Bayeschem para abreviar, con el objetivo de utilizar la inteligencia artificial para desbloquear la naturaleza de los enlaces químicos en las superficies del catalizador.

"Todo se reduce a cómo los catalizadores se unen a las moléculas, ", dijo Xin." La interacción tiene que ser lo suficientemente fuerte como para romper algunos enlaces químicos a temperaturas razonablemente bajas, pero no demasiado fuerte como para que los catalizadores sean envenenados por intermedios de reacción. Esta regla se conoce como el principio de Sabatier en catálisis ".

Comprender cómo interactúan los catalizadores con diferentes intermedios y determinar cómo controlar la fuerza de sus enlaces para que estén dentro de esa 'zona de ricitos de oro' es la clave para diseñar procesos catalíticos eficientes. Dijo Xin. La investigación proporciona una herramienta para ese propósito.

Bayeschem trabaja utilizando el aprendizaje bayesiano, un algoritmo de aprendizaje automático específico para inferir modelos a partir de datos. "Supongamos que tiene un modelo de dominio basado en leyes físicas bien establecidas, y quieres usarlo para hacer predicciones o aprender algo nuevo sobre el mundo, "explicó Siwen Wang, ex estudiante de doctorado en ingeniería química. "El enfoque bayesiano es aprender la distribución de los parámetros del modelo dado nuestro conocimiento previo y lo observado, a menudo escaso, datos, al tiempo que proporciona una cuantificación de la incertidumbre de las predicciones del modelo ".

La teoría de la quimisorción de la banda d utilizada en Bayeschem es una teoría que describe los enlaces químicos en superficies sólidas que involucran electrones d que generalmente tienen la forma de un trébol de cuatro hojas. El modelo explica cómo los orbitales d de los átomos del catalizador se superponen y atraen a los orbitales de valencia adsorbidos que tienen una forma esférica o similar a una mancuerna. Ha sido considerado el modelo estándar en catálisis heterogénea desde su desarrollo por Hammer y Nørskov en la década de 1990. y aunque ha tenido éxito en explicar las tendencias de vinculación de muchos sistemas, Xin dijo que el modelo falla en ocasiones debido a la complejidad intrínseca de las interacciones electrónicas.

Según Xin, Bayeschem lleva la teoría de la banda d a un nuevo nivel para cuantificar esas fortalezas de interacción y posiblemente adaptar algunas perillas, como estructura y composición, para diseñar mejores materiales. El enfoque avanza la teoría de la quimisorción de la banda d al ampliar sus capacidades de predicción e interpretación de las propiedades de adsorción, ambos son cruciales en el descubrimiento de catalizadores. Sin embargo, en comparación con los modelos de aprendizaje automático de caja negra que son entrenados por grandes cantidades de datos, la precisión de la predicción de Bayeschem todavía es susceptible de mejora, dijo Hemanth Pillai, un estudiante de doctorado en ingeniería química del grupo de Xin que contribuyó igualmente al estudio.

"La oportunidad de crear modelos altamente precisos e interpretables que se basan en algoritmos de aprendizaje profundo y la teoría de la quimisorción es muy gratificante para lograr los objetivos de la inteligencia artificial en catálisis, "dijo Xin.