Crédito:Universidad de Michigan
En un hallazgo que podría ayudar a allanar el camino hacia combustibles más limpios y una industria química más sostenible, Los investigadores de la Universidad de Michigan han utilizado el aprendizaje automático para predecir cómo las composiciones de las aleaciones metálicas y los óxidos metálicos afectan sus estructuras electrónicas.
La estructura electrónica es clave para comprender cómo funcionará el material como mediador, o catalizador, de reacciones químicas.
"Estamos aprendiendo a identificar las huellas dactilares de los materiales y a conectarlas con el rendimiento del material, "dijo Bryan Goldsmith, el profesor asistente de Dow Corning de Ingeniería Química.
Una mejor capacidad para predecir qué composiciones de metales y óxidos metálicos son las mejores para guiar qué reacciones podrían mejorar los procesos químicos a gran escala, como la producción de hidrógeno, producción de otros combustibles y fertilizantes, y fabricación de productos químicos domésticos como jabón para platos.
"El objetivo de nuestra investigación es desarrollar modelos predictivos que conectarán la geometría de un catalizador con su desempeño. Estos modelos son fundamentales para el diseño de nuevos catalizadores para transformaciones químicas críticas, "dijo Suljo Linic, el Profesor Colegiado de Ingeniería Química Martin Lewis Perl.
Uno de los principales enfoques para predecir cómo se comportará un material como mediador potencial de una reacción química es analizar su estructura electrónica, específicamente la densidad de estados. Esto describe cuántos estados cuánticos están disponibles para los electrones en las moléculas que reaccionan y las energías de esos estados.
Generalmente, La densidad electrónica de estados se describe con estadísticas resumidas:una energía promedio o un sesgo que revela si hay más estados electrónicos por encima o por debajo del promedio. etcétera.
"Está bien, pero esas son solo estadísticas simples. Puede que te pierdas algo. Con análisis de componentes principales, simplemente asimila todo y encuentra lo que es importante. No solo estás tirando información, "Dijo Goldsmith.
El análisis de componentes principales es un método clásico de aprendizaje automático, enseñado en cursos de introducción a la ciencia de datos. Utilizaron la densidad electrónica de estados como entrada para el modelo, ya que la densidad de estados es un buen predictor de cómo se adsorberá la superficie de un catalizador, o vincularse con, átomos y moléculas que sirven como reactivos. El modelo vincula la densidad de estados con la composición del material.
A diferencia del aprendizaje automático convencional, que es esencialmente una caja negra que ingresa datos y ofrece predicciones a cambio, el equipo creó un algoritmo que pudieron entender.
"Podemos ver sistemáticamente lo que está cambiando en la densidad de estados y correlacionarlo con las propiedades geométricas del material, "dijo Jacques Esterhuizen, estudiante de doctorado en ingeniería química y primer autor del artículo en Catálisis química .
Esta información ayuda a los ingenieros químicos a diseñar aleaciones metálicas para obtener la densidad de estados que desean para mediar una reacción química. El modelo reflejó con precisión las correlaciones ya observadas entre la composición de un material y su densidad de estados, así como descubrir nuevas tendencias potenciales para ser exploradas.
El modelo simplifica la densidad de estados en dos partes, o componentes principales. Básicamente, una pieza cubre cómo encajan los átomos del metal. En una aleación de metal en capas, esto incluye si el metal del subsuelo está separando los átomos de la superficie o comprimiéndolos, y el número de electrones que el metal subsuperficial contribuye a la unión. La otra pieza es solo la cantidad de electrones que los átomos de metal de la superficie pueden contribuir a la unión. De estos dos componentes principales, pueden reconstruir la densidad de estados en el material.
Este concepto también funciona para la reactividad de los óxidos metálicos. En este caso, la preocupación es la capacidad del oxígeno para interactuar con átomos y moléculas, que está relacionado con la estabilidad del oxígeno de la superficie. Los oxígenos de superficie estables tienen menos probabilidades de reaccionar, mientras que los oxígenos superficiales inestables son más reactivos. El modelo capturó con precisión la estabilidad del oxígeno en óxidos metálicos y perovskitas, una clase de óxidos metálicos.