Una tecnica di apprendimento automatico ha riscoperto rapidamente le regole che governano i catalizzatori che hanno impiegato anni di calcoli difficili per rivelare gli esseri umani e hanno persino spiegato una deviazione. Il team dell'Università del Michigan che ha sviluppato la tecnica ritiene che altri ricercatori saranno in grado di utilizzarla per fare progressi più rapidi nella progettazione di materiali per una varietà di scopi.

"Questo apre una nuova porta, non solo nel comprendere la catalisi, ma anche potenzialmente per estrarre conoscenza sui superconduttori, enzimi, termoelettrici, e fotovoltaico, "ha detto Bryan Goldsmith, un assistente professore di ingegneria chimica, che ha co-diretto il lavoro con Suljo Linic, un professore di ingegneria chimica.

La chiave di tutti questi materiali è come si comportano i loro elettroni. I ricercatori vorrebbero utilizzare tecniche di apprendimento automatico per sviluppare ricette per le proprietà dei materiali che desiderano. Per i superconduttori, gli elettroni devono muoversi senza resistenza attraverso il materiale. Enzimi e catalizzatori devono mediare scambi di elettroni, consentire nuovi farmaci o ridurre i rifiuti chimici, ad esempio. Termoelettrico e fotovoltaico assorbono la luce e generano elettroni energetici, generando così energia elettrica.

Gli algoritmi di apprendimento automatico sono in genere "scatole nere, " significa che prendono i dati e sputano fuori una funzione matematica che fa previsioni basate su quei dati.

"Molti di questi modelli sono così complicati che è molto difficile estrarne intuizioni, " disse Jacques Esterhuizen, uno studente di dottorato in ingegneria chimica e primo autore dell'articolo sulla rivista chimica . "Questo è un problema perché non siamo solo interessati a prevedere le proprietà dei materiali, vogliamo anche capire come la struttura atomica e la composizione mappano le proprietà del materiale".

Ma una nuova generazione di algoritmi di apprendimento automatico consente ai ricercatori di vedere le connessioni che l'algoritmo sta creando, identificare quali variabili sono più importanti e perché. Questa è un'informazione fondamentale per i ricercatori che cercano di utilizzare l'apprendimento automatico per migliorare la progettazione dei materiali, anche per i catalizzatori.

Un buon catalizzatore è come un sensale chimico. Deve essere in grado di afferrare i reagenti, o gli atomi e le molecole che vogliamo far reagire, in modo che si incontrino. Ancora, deve farlo abbastanza liberamente che i reagenti preferiscano legarsi l'uno con l'altro piuttosto che rimanere attaccati al catalizzatore.

In questo caso particolare, hanno esaminato i catalizzatori metallici che hanno uno strato di un metallo diverso appena sotto la superficie, nota come lega del sottosuolo. Quello strato sotto la superficie cambia il modo in cui sono distanziati gli atomi nello strato superiore e quanto sono disponibili gli elettroni per il legame. Modificando la spaziatura, e quindi la disponibilità di elettroni, gli ingegneri chimici possono rafforzare o indebolire il legame tra il catalizzatore e i reagenti.

Esterhuizen ha iniziato eseguendo simulazioni di meccanica quantistica presso il National Energy Research Scientific Computing Center. Questi hanno formato il set di dati, mostrando come comuni catalizzatori in lega sotto la superficie, compresi metalli come l'oro, iridio e platino, legame con reagenti comuni come ossigeno, idrossido e cloro.

Il team ha utilizzato l'algoritmo per esaminare otto proprietà e condizioni dei materiali che potrebbero essere importanti per la forza di legame di questi reagenti. Si è scoperto che tre contavano di più. Il primo era se gli atomi sulla superficie del catalizzatore fossero separati l'uno dall'altro o compressi insieme dal diverso metallo sottostante. Il secondo era quanti elettroni c'erano nell'orbitale elettronico responsabile del legame, l'orbitale d in questo caso. E il terzo era la dimensione di quella nuvola di elettroni d.

Le previsioni risultanti su come leghe diverse si legano a reagenti diversi riflettevano principalmente il modello "d-band", che è stato sviluppato nel corso di molti anni di calcoli meccanici quantistici e analisi teoriche. Però, hanno anche spiegato una deviazione da quel modello a causa di forti interazioni repulsive, che si verifica quando i reagenti ricchi di elettroni si legano ai metalli con orbitali elettronici per lo più pieni.