Gli ingegneri chimici della Rice University e della Pennsylvania State University hanno dimostrato che la combinazione di machine learning e chimica quantistica può far risparmiare tempo e denaro nella progettazione di nuovi catalizzatori.

"Grandi quantità di dati vengono generate nella catalisi computazionale, e il campo sta iniziando a rendersi conto che gli strumenti di data science possono essere estremamente preziosi per setacciare dati ad alto volume per cercare correlazioni fondamentali che altrimenti potremmo perdere, " ha detto Thomas Senftle di Rice, coautore di un nuovo studio pubblicato online questa settimana in Catalisi della natura . "Questo è il vero argomento di questo documento. Abbiamo combinato strumenti consolidati per la generazione e l'analisi dei dati in un modo che ci ha permesso di cercare correlazioni che altrimenti non avremmo notato".

Un catalizzatore è una sostanza che accelera le reazioni chimiche senza esserne consumata. I convertitori catalitici nelle automobili, Per esempio, contengono metalli come platino e palladio che aiutano nelle reazioni che abbattono gli inquinanti atmosferici. I catalizzatori sono un pilastro delle industrie chimiche e farmaceutiche, e il mercato globale dei catalizzatori è stimato a 20 miliardi di dollari all'anno.

I metalli utilizzati nei convertitori catalitici fanno tipicamente parte di una rete metallica. Quando lo scarico caldo passa attraverso la rete, gli atomi di metallo sulla superficie catalizzano reazioni che rompono alcune molecole nocive in sottoprodotti innocui.

"Questa è una reazione in fase gassosa, " Senftle ha detto dell'esempio del convertitore catalitico. "C'è una certa concentrazione di specie in fase gassosa che escono dal motore. Vogliamo un catalizzatore che converta gli inquinanti in prodotti innocui, ma auto diverse hanno motori diversi che emettono composizioni diverse di quei prodotti, quindi un catalizzatore che funziona bene in una situazione potrebbe non funzionare altrettanto bene in un'altra".

La pratica di far scorrere i reagenti oltre un catalizzatore è comune anche nell'industria. In molti casi, un metallo catalitico è attaccato a una superficie solida e i reagenti sono fatti scorrere sulla superficie, sia come liquido che come gas. Per processi industriali che realizzano tonnellate di prodotti all'anno, migliorare l'efficienza del catalizzatore metallico anche solo di una piccola percentuale può tradursi in milioni di dollari per le aziende.

"Se hai un'immagine chiara delle proprietà del catalizzatore metallico e del materiale di substrato a cui il metallo si attacca, che ti consente sostanzialmente di restringere la ricerca all'inizio, " Senftle ha detto. "Puoi restringere il tuo spazio di progettazione utilizzando il computer per esplorare quali materiali hanno maggiori probabilità di funzionare bene in determinate condizioni".

Sento, assistente professore in ingegneria chimica e biomolecolare alla Rice, ha iniziato la ricerca appena pubblicata mentre era ancora uno studente laureato alla Penn State nel 2015, insieme agli autori principali Nolan O'Connor e A.S.M. Jonayat e il co-autore Michael Janik. Hanno iniziato utilizzando la teoria del funzionale della densità per calcolare le forze di legame dei singoli atomi di molti diversi tipi di metalli con una gamma di substrati di ossido di metallo.

"L'energia di legame tra il metallo e il substrato è di particolare interesse perché più forte è il legame, meno è probabile che l'atomo di metallo si sposti, " ha detto Janik. "Se possiamo controllare quell'energia vincolante, possiamo adattare la distribuzione delle dimensioni di queste particelle metalliche, e quello, a sua volta, avrà un impatto sulla reazione complessiva che possono catalizzare".

O'Connor ha detto, "Eravamo curiosi delle proprietà dei singoli atomi di metallo e delle superfici di ossido che creavano forti coppie interagenti, che è una proprietà che possiamo usare per progettare catalizzatori robusti."

Insieme all'elenco delle energie vincolanti, il team aveva un catalogo di circa 330, 000 proprietà aggiuntive per ciascuna delle combinazioni metallo-substrato, compresi fattori come l'energia di formazione dell'ossido, numero di coordinazione, energia di formazione della lega ed energia di ionizzazione.

"L'algoritmo di apprendimento automatico cerca le combinazioni di quei descrittori che sono correlati ai dati osservati sulle energie di legame, " Jonayat ha detto. "In pratica ci permette di chiedere, 'Di tutti questi descrittori, come possiamo trovare quelli correlati al comportamento osservato a cui siamo interessati?"

Ha affermato che l'identificazione di tali correlazioni può semplificare la progettazione del catalizzatore rendendo possibile prevedere come si comporteranno i materiali prima dei test di laboratorio che possono essere sia costosi che dispendiosi in termini di tempo. L'apprendimento automatico può anche identificare effetti interessanti che meritano ulteriori studi.

Per esempio, Senftle ha affermato che una correlazione che continuava ad apparire nello studio era l'importanza dell'interazione diretta tra i metalli catalitici e gli atomi di metallo nel supporto. Ha detto che questo era inaspettato perché i metalli in genere hanno ciascuno una forte affinità per legarsi con l'ossigeno invece di legarsi tra loro.

"Originariamente, l'idea era che fosse l'ossigeno che era importante, "Senftle ha detto. "Eravamo interessati a determinare quanto bene questi due diversi metalli condividessero l'ossigeno. Ma questa interazione diretta tra i metalli stessi continuava a spuntare nei nostri calcoli, e ha giocato un ruolo molto più importante nel dettare il comportamento generale del sistema di quanto avessimo previsto".

Senftle ha detto che vorrebbe sfruttare la complessità delle simulazioni nella ricerca futura.

"Qui stavamo osservando le interazioni tra i metalli e i supporti in un ambiente incontaminato senza molecole d'acqua o impurità di alcun tipo, " ha detto. "In realtà, i catalizzatori sono utilizzati in ambienti di reazione molto complicati, e vorremmo esaminare come queste tendenze cambiano in quelle impostazioni. Per esempio, se questo fosse un ambiente acquoso, l'acqua o l'acqua dissociata probabilmente si adsorbirebbero sulla superficie. Questi influenzeranno l'interazione, perché ora hai un altro giocatore che condivide la densità degli elettroni e condivide gli ossigeni di superficie".