Kemiingenjörer vid Rice University och Pennsylvania State University har visat att en kombination av maskininlärning och kvantkemi kan spara tid och kostnader vid design av nya katalysatorer.

"Stora mängder data genereras i beräkningskatalys, och fältet börjar inse att datavetenskapliga verktyg kan vara extremt värdefulla för att sålla igenom stora volymer data för att leta efter grundläggande korrelationer som vi annars skulle kunna missa, " sa Rice's Thomas Senftle, medförfattare till en ny studie publicerad online denna vecka i Naturkatalys . "Det var vad den här uppsatsen egentligen handlade om. Vi kombinerade väletablerade verktyg för datagenerering och analys på ett sätt som gjorde att vi kunde leta efter korrelationer som vi annars inte skulle ha märkt."

En katalysator är ett ämne som påskyndar kemiska reaktioner utan att förbrukas av dem. Katalysatorerna i bilar, till exempel, innehåller metaller som platina och palladium som hjälper till i reaktioner som bryter ned luftföroreningar. Katalysatorer är en stöttepelare i den kemiska och läkemedelsindustrin, och den globala marknaden för katalysatorer uppskattas till 20 miljarder dollar per år.

Metallerna som används i katalysatorer är vanligtvis en del av ett trådnät. När heta avgaser passerar genom nätet, metallatomerna på ytan katalyserar reaktioner som bryter isär vissa skadliga molekyler till ofarliga biprodukter.

"Det är en gasfasreaktion, Senftle sa om exemplet med katalysatorn. "Det finns en viss koncentration av gasfasarter som kommer ut ur motorn. Vi vill ha en katalysator som omvandlar föroreningar till ofarliga produkter, men olika bilar har olika motorer som ger olika sammansättning av dessa produkter, så en katalysator som fungerar bra i en situation kanske inte fungerar lika bra i en annan."

Bruket att flöda reaktanter förbi en katalysator är också vanligt inom industrin. I många fall, en katalytisk metall är fäst vid en fast yta och reaktanter flödar över ytan, antingen som en vätska eller en gas. För industriella processer som gör massor av produkter per år, Att förbättra effektiviteten hos metallkatalysatorn med några få procent kan leda till miljontals dollar för företag.

"Om du har en tydlig bild av egenskaperna hos metallkatalysatorn och substratmaterialet som metallen fäster vid, som gör att du i princip kan begränsa din sökning i början, Senftle sa. "Du kan begränsa ditt designutrymme genom att använda datorn för att utforska vilka material som sannolikt kommer att klara sig bra under vissa förhållanden."

Senftle, biträdande professor i kemi- och biomolekylär teknik vid Rice, började den nyligen publicerade forskningen medan han fortfarande var doktorand vid Penn State 2015, tillsammans med huvudförfattarna Nolan O'Connor och A.S.M. Jonayat och medförfattare Michael Janik. De började med att använda densitetsfunktionsteori för att beräkna bindningsstyrkorna för enstaka atomer av många olika typer av metaller med en rad metalloxidsubstrat.

"Bindningsenergin mellan metallen och substratet är av särskilt intresse eftersom ju starkare bindningen, desto mindre sannolikt är det att metallatomen lossnar, " sa Janik. "Om vi ​​kan kontrollera den bindande energin, vi kan skräddarsy storleksfördelningen av dessa metallpartiklar, och det, i tur och ordning, kommer att påverka den övergripande reaktionen som de kan katalysera."

O'Connor sa, "Vi var nyfikna på egenskaperna hos enskilda metallatomer och oxidytor som skapade starka interagerande par, vilket är en egenskap vi kan använda för att designa robusta katalysatorer."

Tillsammans med listan över bindande energier, laget hade en katalog på cirka 330, 000 ytterligare egenskaper för var och en av metall-substratkombinationerna, inklusive faktorer som oxidbildningsenergi, samordningsnummer, legeringsbildningsenergi och joniseringsenergi.

"Maskininlärningsalgoritmen letar efter kombinationerna av de deskriptorer som korrelerar med de observerade data om bindningsenergier, " sa Jonayat. "Det tillåter oss i princip att fråga, 'Av alla dessa beskrivningar, hur kan vi hitta de som korrelerar med det observerade beteendet som vi är intresserade av?"

Han sa att identifiering av sådana korrelationer kan effektivisera katalysatordesign genom att göra det möjligt att förutsäga hur material kommer att bete sig innan laboratorietester som kan vara både dyra och tidskrävande. Maskininlärning kan också identifiera intressanta effekter som är värda att studera ytterligare.

Till exempel, Senftle sa att en korrelation som fortsatte att dyka upp i studien var vikten av den direkta interaktionen mellan de katalytiska metallerna och metallatomerna i stödet. Han sa att detta var oväntat eftersom metallerna vanligtvis har en stark affinitet för att binda med syre i motsats till att binda med varandra.

"Ursprungligen, tanken var att det var syret som var viktigt, ", sade Senftle. "Vi var intresserade av att bestämma hur väl dessa två olika metaller delade syret. Men denna direkta växelverkan mellan själva metallerna dök hela tiden upp i våra beräkningar, och det spelade en mycket större roll i att diktera systemets övergripande beteende än vad vi hade räknat med."

Senftle sa att han skulle vilja bygga på komplexiteten i simuleringarna i framtida forskning.

"Här tittade vi på interaktionerna mellan metallerna och stöden i en orörd miljö utan vattenmolekyler eller föroreningar av något slag, " sa han. "I verkligheten, katalysatorer används i mycket komplicerade reaktionsmiljöer, och vi skulle vilja undersöka hur dessa trender förändras i dessa inställningar. Till exempel, om detta var en vattenhaltig miljö, vatten eller dissocierat vatten skulle sannolikt adsorberas på ytan. De kommer att påverka interaktionen, för nu har du en annan spelare som delar elektrontätheten och delar ytsyren."