I catalizzatori creano il cambiamento.

Molti insegnanti di scienze delle scuole medie hanno gocciolato alcune gocce di ioduro di potassio nel perossido di idrogeno e hanno osservato la gioia dei loro studenti mentre un vulcano di schiuma eruttava dal contenitore. Questo esperimento è spesso il modo in cui i giovani apprendono per la prima volta sui catalizzatori come qualcosa che può indurre una reazione chimica.

Ma i catalizzatori possono fare più della schiuma. Mentre quei giovani diventano giovani scienziati, imparano che la catalisi, l'accelerazione di una reazione chimica da parte di un catalizzatore, è un processo chiave nella creazione di quasi tutto. Dalle plastiche che compongono le nostre apparecchiature mediche, alla benzina delle nostre auto, alla vernice che colora le nostre case, nessuna di queste potrebbe esistere senza catalizzatori.

I catalizzatori sono disponibili in tutte le forme e dimensioni, e ognuno svolge una funzione diversa. La scoperta di nuovi catalizzatori spesso significa che siamo in grado di creare e perfezionare nuovi materiali, che può essere utilizzato in prodotti futuri, combustibili, e quasi tutto il resto. Sfortunatamente, scoprire e ottimizzare questi nuovi catalizzatori può essere un processo lungo e difficile, coinvolgendo un numero incontrollato di variabili. La difficoltà di questo processo è uno dei principali ostacoli alla scoperta di nuovi catalizzatori.

Per questa ragione, Gli ingegneri chimici di Carnegie Mellon hanno recentemente iniziato a cercare risposte in altri campi. Recentemente, sia il Dipartimento dell'Energia che la National Science Foundation hanno investito nella ricerca unica che Zachary Ulissi, John Kitchin, e Andrew Gellman sono pionieri, che esamina il ruolo che l'apprendimento automatico può svolgere nella scoperta di nuovi catalizzatori. Attraverso lo sviluppo e l'implementazione di nuovi algoritmi di apprendimento automatico, la velocità con cui i ricercatori possono scoprire nuovi, catalizzatori efficaci aumenteranno in modo esponenziale.

Composizione ottimale della lega per superfici catalitiche

Le celle a combustibile a idrogeno sono alimentate da reazioni catalitiche, in particolare, da ciò che è noto come superficie del catalizzatore in lega. L'efficienza della cella a combustibile dipende dall'esatto mix di metalli che compongono la superficie del catalizzatore in lega. Ma trovare quel mix perfetto non è facile. Ecco perché il professore di chimica John Kitchin, con il sostegno della National Science Foundation, ha sviluppato un algoritmo di apprendimento automatico unico per testare rapidamente quante più combinazioni possibili. Le sue scoperte sono dettagliate nel suo articolo, "Modellazione della segregazione su superfici AuPd(111) con teoria del funzionale della densità e simulazioni Monte Carlo, " pubblicato in Giornale di chimica fisica .

Le leghe metalliche sono utilizzate come catalizzatori per produrre perossido di idrogeno da idrogeno e ossigeno da utilizzare come ossidante verde rinnovabile nella sintesi chimica. Nel caso della ricerca di Kitchin, tale lega è composta da oro (Au) e palladio (Pd). Quando il palladio reagisce con l'idrogeno e l'ossigeno nel reattore, crea perossido di idrogeno, che può essere usato come ossidante. Sfortunatamente, attraverso questa reazione, il palladio crea anche acqua, che è indesiderabile per il perché spreca il prezioso idrogeno. Legando l'oro con il palladio, questa reazione secondaria può essere mitigata, facendo in modo che il reattore crei più del perossido di idrogeno desiderato. Ma quanto bene la lega sia in grado di farlo dipende dall'esatto rapporto tra Au e Pd nel catalizzatore, fino all'atomo. Il controllo manuale di ogni possibile rapporto richiederebbe molto più tempo di quanto qualsiasi gruppo di ricercatori sarebbe in grado di dedicare.

"La nostra ricerca ha sviluppato un algoritmo di apprendimento automatico unico per simulare la composizione di una superficie in modo da poter stimare e determinare la distribuzione su scala atomica degli atomi nella superficie, " dice Kitchin. "In qualsiasi simulazione di catalisi su superfici metalliche, i risultati dipendono dai dettagli della superficie che si sta modellando. Se la superficie modellata non è rappresentativa di come sarebbe la superficie nell'esperimento, quindi anche i risultati della simulazione non saranno rappresentativi di ciò che potrebbe essere osservato sperimentalmente. La nostra ricerca fornisce un punto di partenza per ottenere un modello più realistico della superficie per simulare la catalisi che sia rilevante per le osservazioni sperimentali".

Intermetallici vs leghe nella ricerca dell'efficienza

Le superfici dei catalizzatori in lega hanno una serie di applicazioni nell'ingegneria chimica, ma non sono gli unici catalizzatori metallici ampiamente utilizzati per le reazioni chimiche. Gli intermetallici sono simili alle leghe, ma invece degli atomi che vengono mescolati casualmente, gli intermetallici sono creati posizionando specificamente gli atomi di un metallo in uno schema ripetuto con gli atomi di un altro. A causa della loro precisa composizione atomica, gli intermetallici possono essere personalizzati in modo specifico per catalizzare una particolare reazione.

Ma poiché il posizionamento atomico negli intermetallici è così preciso, ottimizzare la disposizione per il massimo effetto catalitico è un processo arduo. La sperimentazione per sviluppare intermetallici migliori si basa in gran parte sul metodo "indovina e verifica". Quindi, per creare un metodo più efficiente, Professore assistente di ChemE Zack Ulissi, insieme ai suoi collaboratori alla Penn State, stanno lavorando per sviluppare uno strumento computazionale che utilizza l'apprendimento automatico non solo per modellare le configurazioni intermetalliche e testarne l'efficienza, ma utilizza i dati raccolti da questi esperimenti per decidere quali configurazioni hanno maggiori probabilità di funzionare in futuro. La ricerca è supportata da una sovvenzione di $ 1,2 milioni del Dipartimento dell'Energia degli Stati Uniti.

"Il campo della catalisi sta abbracciando l'apprendimento automatico per aiutare a risolvere le sfide che ci sono sfuggite fino ad ora, " dice Ulissi. "Ma, la maggior parte dei primi successi sono stati puramente sul lato computazionale, aiutandoci a comprendere meglio i catalizzatori che già conosciamo. Ma questo progetto riguarda lo sviluppo di nuovi metodi e strumenti per accelerare il processo di progettazione della composizione".

Strumenti sperimentali per confermare i modelli di machine learning

Sebbene l'apprendimento automatico sia uno strumento potente, la capacità di confermare sperimentalmente i risultati dei modelli di apprendimento automatico è fondamentale per garantirne l'affidabilità. Ecco perché il professor Andrew Gellman e il suo gruppo di ricerca hanno sviluppato metodi sperimentali per integrare gli strumenti di apprendimento automatico sviluppati da Kitchin e Ulissi. La Fondazione Nazionale della Scienza, attraverso la sua iniziativa Designing Materials to Revolutionize and Engineer Our Future (DMREF), ha investito in un team guidato da Gellman per aprire la strada a nuovissimi strumenti di ricerca, che possono preparare contemporaneamente centinaia di composizioni di leghe e contemporaneamente analizzarne le superfici.

Questi strumenti funzionano identificando la composizione ottimale di leghe a due o tre componenti, e confrontandoli con le composizioni previste dall'apprendimento automatico. Queste leghe componenti possono quindi essere testate sperimentalmente in laboratorio per confermare che funzionano come dice il modello di apprendimento automatico. Quindi, una volta che l'esperimento ha corroborato le previsioni del modello per diverse leghe binarie e ternarie, le composizioni ottimali di altre leghe con componenti diversi possono essere identificate in modo affidabile sulla base dei soli metodi di apprendimento automatico.

I ricercatori di Carnegie Mellon sono in prima linea nell'apprendimento automatico per la catalisi, e l'ampiezza e la profondità di questa ricerca è sempre in espansione. Studenti da tutto il mondo vengono al dipartimento di Ingegneria Chimica per studiare questo entusiasmante, campo emergente. Nuovi progetti vengono finanziati ogni giorno, inclusa una recente sovvenzione ARPA-E per supportare Gellman e Ulissi nello studio dell'apprendimento per rinforzo profondo nella catalisi. Grazie alla collaborazione avanzata di questi docenti, studenti, e fondamenta, CMU ChemE è pronta a portare cambiamenti senza precedenti nel campo della scoperta della catalisi.