Un nuovo approccio di machine learning offre importanti spunti sulla catalisi, un processo fondamentale che permette di ridurre l'emissione di gas di scarico tossici o produrre materiali essenziali come il tessuto.

In un rapporto pubblicato su Comunicazioni sulla natura , Hongliang Xin, professore associato di ingegneria chimica presso Virginia Tech, e il suo team di ricercatori hanno sviluppato un modello di apprendimento bayesiano del chemisorbimento, o Bayeschem in breve, con l'obiettivo di utilizzare l'intelligenza artificiale per sbloccare la natura del legame chimico sulle superfici del catalizzatore.

"Tutto dipende da come i catalizzatori si legano alle molecole, " ha detto Xin. "L'interazione deve essere abbastanza forte da rompere alcuni legami chimici a temperature ragionevolmente basse, ma non troppo forte perché i catalizzatori vengano avvelenati dagli intermedi di reazione. Questa regola è nota come principio di Sabatier nella catalisi."

Comprendere come i catalizzatori interagiscono con diversi intermedi e determinare come controllare la loro forza di legame in modo che si trovino all'interno di quella "zona dei riccioli d'oro" è la chiave per progettare processi catalitici efficienti, ha detto Xin. La ricerca fornisce uno strumento a tale scopo.

Bayeschem funziona utilizzando l'apprendimento bayesiano, uno specifico algoritmo di machine learning per inferire modelli dai dati. "Supponiamo di avere un modello di dominio basato su leggi fisiche ben stabilite, e vuoi usarlo per fare previsioni o imparare qualcosa di nuovo sul mondo, " ha spiegato Siwen Wang, un ex studente di dottorato in ingegneria chimica. "L'approccio bayesiano consiste nell'apprendere la distribuzione dei parametri del modello data la nostra conoscenza precedente e l'osservazione, spesso scarso, dati, fornendo allo stesso tempo la quantificazione dell'incertezza delle previsioni del modello".

La teoria della banda d del chemisorbimento utilizzata in Bayeschem è una teoria che descrive il legame chimico su superfici solide che coinvolgono elettroni d che di solito hanno la forma di un quadrifoglio. Il modello spiega come gli orbitali d degli atomi del catalizzatore si sovrappongono e vengono attratti dagli orbitali di valenza dell'adsorbato che hanno una forma sferica o simile a un manubrio. È stato considerato il modello standard nella catalisi eterogenea sin dal suo sviluppo da parte di Hammer e Nørskov negli anni '90, e sebbene abbia avuto successo nello spiegare le tendenze di legame di molti sistemi, Xin ha affermato che il modello a volte fallisce a causa della complessità intrinseca delle interazioni elettroniche.

Secondo Xin, Bayeschem porta la teoria della banda d a un nuovo livello per quantificare i punti di forza dell'interazione e possibilmente adattare alcune manopole, come struttura e composizione, per progettare materiali migliori. L'approccio fa avanzare la teoria della banda d del chemisorbimento estendendo le sue capacità di previsione e interpretazione delle proprietà di adsorbimento, entrambi sono cruciali nella scoperta del catalizzatore. Però, rispetto ai modelli di machine learning black-box che vengono addestrati da grandi quantità di dati, l'accuratezza della previsione di Bayeschem è ancora suscettibile di miglioramento, disse Hemanth Pillai, uno studente di dottorato in ingegneria chimica nel gruppo di Xin che ha contribuito in egual modo allo studio.

"L'opportunità di elaborare modelli altamente accurati e interpretabili che si basano su algoritmi di deep learning e sulla teoria del chemisorbimento è altamente gratificante per il raggiungimento degli obiettivi dell'intelligenza artificiale nella catalisi, " disse Xin.