• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  Science >> Scienza >  >> Chimica
    L’apprendimento automatico accelera la scoperta di catalizzatori di ossidi metallici ad alte prestazioni
    Flusso di lavoro del processo analitico basato su ML impiegato per esplorare catalizzatori ORR multicomponente in condizioni alcaline. Credito:Giornale di chimica dei materiali A (2024). DOI:10.1039/D4TA01884B

    I ricercatori hanno sfruttato la potenza dell'intelligenza artificiale per far avanzare in modo significativo la scoperta e l'ottimizzazione di elettrocatalizzatori di ossidi metallici multicomponente per la reazione di riduzione dell'ossigeno (ORR).



    Questa svolta ha il potenziale per rivoluzionare l'efficienza e l'accessibilità economica delle tecnologie legate alle energie rinnovabili, come le celle a combustibile e le batterie a idrogeno, aprendo la strada a un futuro energetico sostenibile.

    I dettagli dei risultati sono stati pubblicati nel Journal of Materials Chemistry A il 23 aprile 2024.

    Lo studio ha analizzato 7.798 distinti catalizzatori ORR di ossidi metallici provenienti da esperimenti ad alto rendimento. Questi catalizzatori, contenenti elementi come nichel, ferro, manganese, magnesio, calcio, lantanio, ittrio e indio, sono stati testati a diversi potenziali per valutarne le prestazioni.

    Utilizzando il metodo di apprendimento automatico XGBoost, i ricercatori hanno creato un modello predittivo per identificare potenziali nuove composizioni senza la necessità di test sperimentali esaustivi.

    La ricerca ha scoperto che un numero elevato di elettroni itineranti e un’entropia di configurazione elevata sono caratteristiche fondamentali per ottenere un’elevata densità di corrente nell’ORR. Per una densità di corrente a 0,8 VRHE, i sistemi ternari Mn–Ca–La, Mn–Ca–Y e Mn–Mg–Ca hanno mostrato un potenziale significativo per le applicazioni delle celle a combustibile a idrogeno. A 0,63 VRHE, i sistemi Mn–Fe–X (X =Ni, La, Ca, Y) e Mn–Ni–X (X =Ca, Mg, La, Y) sono stati identificati come candidati promettenti per la produzione di perossido di idrogeno. /P>

    (a–b) Confronto di (a) R 2 e (b) RMSE tra i modelli costruiti da ANN, XGBoost e LightGBM sui set di addestramento e test. (c-d) Confronto tra i valori sperimentali e quelli previsti da XGBoost sui set di test (c) e (d). L'unità di RMSE è lg(μA·cm -2 ). Credito:Giornale di chimica dei materiali A (2024). DOI:10.1039/D4TA01884B

    "Il nostro approccio innovativo che utilizza l'apprendimento automatico accelera la progettazione e l'ottimizzazione di catalizzatori multicomponente, risparmiando tempo e risorse considerevoli", afferma Xue Jia, professore assistente presso l'Istituto avanzato per la ricerca sui materiali e uno dei coautori dello studio.

    "Identificando in modo efficiente le composizioni catalitiche ad alte prestazioni, disponiamo di un metodo di trasformazione dimostrato che può portare a progressi significativi nelle tecnologie energetiche sostenibili.

    Catalizzatori potenziati possono migliorare l’efficienza e ridurre il costo delle tecnologie energetiche rinnovabili, promuovendone un’adozione più ampia e riducendo la dipendenza dai combustibili fossili. Sistemi di stoccaggio dell'energia più efficienti possono ridurre i costi complessivi, rendendo l'energia rinnovabile più accessibile e contribuendo alla conservazione dell'ambiente.

    L’applicazione riuscita dell’apprendimento automatico in questo studio costituisce un precedente per la ricerca futura, portando potenzialmente a scoperte in vari campi scientifici. I catalizzatori ORR migliorati possono anche aumentare la produzione di perossido di idrogeno, ampiamente utilizzato per la disinfezione e i processi industriali, a vantaggio della salute e della sicurezza pubblica.

    "Questa ricerca sottolinea l'incredibile potenziale dell'intelligenza artificiale nell'accelerare la progettazione dei catalizzatori e la scoperta dei materiali", aggiunge Jia. "Si spera che i nostri risultati rendano possibili futuri progressi nelle tecnologie energetiche sostenibili, che sono cruciali per affrontare le sfide energetiche globali."

    Ulteriori informazioni: Xue Jia et al, L'apprendimento automatico ha consentito l'esplorazione di ossidi metallici multicomponente per catalizzare la riduzione dell'ossigeno in mezzi alcalini, Journal of Materials Chemistry A (2024). DOI:10.1039/D4TA01884B

    Informazioni sul giornale: Giornale di chimica dei materiali A

    Fornito dall'Università di Tohoku




    © Scienza https://it.scienceaq.com