I ricercatori stanno aprendo la strada alla totale dipendenza dalle energie rinnovabili mentre studiano modi sia su larga che su piccola scala per sostituire i combustibili fossili. Una strada promettente è convertire sostanze chimiche semplici in sostanze preziose utilizzando elettricità rinnovabile, inclusi processi come la riduzione dell'anidride carbonica o la scissione dell'acqua. Ma per scalare questi processi per un uso diffuso, dobbiamo scoprire nuovi elettrocatalizzatori, sostanze che aumentano la velocità di una reazione elettrochimica che si verifica sulla superficie di un elettrodo. Fare così, i ricercatori della Carnegie Mellon University stanno cercando nuovi metodi per accelerare il processo di scoperta:l'apprendimento automatico.

Zack Ulisse, un assistente professore di ingegneria chimica (ChemE), e il suo gruppo stanno usando l'apprendimento automatico per guidare la scoperta dell'elettrocatalizzatore. A mano, i ricercatori trascorrono ore a fare calcoli di routine su materiali che potrebbero non funzionare. Il team di Ulissi ha creato un sistema che automatizza questi calcoli di routine, esplora un ampio spazio di ricerca, e suggerisce nuove leghe che hanno proprietà promettenti per l'elettrocatalisi.

"Questo ci permette di passare il tempo a porre domande scientifiche, Come, 'Come prevedi le proprietà di qualcosa, ' 'Cos'è il modello termodinamico, ' 'Qual è il modello del sistema, ' o 'Come rappresenti il ​​sistema?'", ha detto Ulissi.

I ricercatori hanno testato il loro metodo sulla scoperta di intermetallici che potrebbero essere buoni elettrocatalizzatori per la riduzione dell'anidride carbonica e l'evoluzione dell'idrogeno, due reazioni molto complesse. Un buon elettrocatalizzatore è poco costoso, selettivo, attivo, efficiente, e stabile. Molti elettrocatalizzatori sono costituiti da una classe di metalli chiamati intermetallici, che quando messi insieme hanno una struttura cristallina definita. Con un sistema di apprendimento automatico, può vagliare rapidamente combinazioni di intermetallici per una o più proprietà associate a un buon elettrocatalizzatore.

Ulissi e Kevin Tran, un dottorato di ricerca in chimica alunno, avere un sistema di script che ogni notte ricerca un database dei milioni di siti di adsorbimento su migliaia di intermetallici, o dove un altro elemento potrebbe aderire. Sulla base di tale ricerca, il sistema crea un modello di apprendimento automatico per prevedere su quale sito eseguire i calcoli il giorno successivo. Quindi esegue i calcoli, che rivelano di più sulle proprietà di ciascun sito intermetallico, e i risultati vengono archiviati in un database e utilizzati per riaddestrare il modello. Quindi il ciclo si ripete, trovando ogni volta materiali migliori e più interessanti. In questo modo, esclude tutti i materiali che non sarebbero buoni catalizzatori, ma dà al ricercatore la certezza che i materiali suggeriti dal sistema non porteranno a un vicolo cieco.

"Quello che abbiamo costruito è una macchina intelligente, ma il nostro obiettivo non è proprio una macchina intelligente, " disse Tran, un coautore dello studio. "Il nostro obiettivo è creare una macchina che ci fornisca dati. Quindi usiamo davvero la macchina come agricoltore, per raccogliere dati in modo intelligente."

Mentre un umano potrebbe studiare da 10 a 20 nuove energie a settimana, la macchina può studiarne centinaia al giorno. Prima del sistema automatizzato, i ricercatori dovrebbero restringere lo spazio a una classe di materiali e lavorare in quello spazio. Ora, possono adottare un approccio più olistico.

Attraverso questo studio, pubblicato in Catalisi della natura , i ricercatori hanno una lista di materiali e combinazioni intermetalliche che gli sperimentali dovrebbero provare, sia per lo sviluppo dell'idrogeno che per la riduzione dell'anidride carbonica. Gli esperimenti determineranno quindi cosa renderà buoni elettrocatalizzatori su larga scala.

"Non credo che la gente l'avesse fatto in questo modo prima." disse Ulisse. "A questo punto stiamo solo restringendo il campo su cui dovrebbero concentrarsi gli sperimentatori. Siamo stati in grado di dimostrare che lo spazio è più ampio di quanto la gente pensasse. Abbiamo trovato idee interessanti, come se prendi due cose che sono troppo deboli, potrebbero effettivamente creare qualcosa di più forte . Non avevamo idea se avremmo trovato risultati del genere o meno".