Una técnica de IA promueve la producción de hidrógeno verde utilizando elementos químicos más abundantes
El equipo de investigación desarrolló una técnica de inteligencia artificial capaz de predecir con precisión las composiciones de materiales con características deseables cambiando los modelos de predicción según los tamaños de los conjuntos de datos disponibles para el análisis. Crédito:Instituto Nacional de Ciencia de Materiales
Un equipo de investigación del NIMS ha desarrollado una técnica de inteligencia artificial capaz de acelerar la identificación de materiales con características deseables. Utilizando esta técnica, el equipo pudo descubrir materiales de electrodos de electrolizadores de agua de alto rendimiento libres de elementos del grupo del platino, sustancias que antes se consideraban indispensables en la electrólisis del agua. Estos materiales pueden usarse para reducir el costo de la producción a gran escala de hidrógeno verde, una fuente de energía de próxima generación. La investigación fue publicada en ACS Central Science .
La producción a gran escala de hidrógeno verde utilizando electrolizadores de agua es un medio viable para lograr la neutralidad de carbono. Los electrolizadores de agua disponibles actualmente dependen de elementos caros y escasos del grupo del platino como sus principales componentes electrocatalizadores para acelerar la reacción de evolución lenta de oxígeno (REA), una reacción electrolítica del agua que puede producir hidrógeno.
Para abordar este problema, se están realizando investigaciones para desarrollar electrocatalizadores REA más baratos y sin grupos de platino compuestos de elementos químicos relativamente abundantes compatibles con la producción de hidrógeno verde a gran escala. Sin embargo, se ha descubierto que identificar las composiciones químicas óptimas de tales electrocatalizadores a partir de un número infinitamente grande de combinaciones posibles es enormemente costoso, requiere mucho tiempo y trabajo.
Este equipo de investigación del NIMS desarrolló recientemente una técnica de inteligencia artificial capaz de predecir con precisión las composiciones de materiales con características deseables cambiando los modelos de predicción según los tamaños de los conjuntos de datos disponibles para el análisis.