Forskare banar väg för totalt beroende av förnybar energi när de studerar både storskaliga och småskaliga sätt att ersätta fossila bränslen. En lovande väg är att omvandla enkla kemikalier till värdefulla med förnybar el, inklusive processer som koldioxidreduktion eller vattenklyvning. Men för att skala upp dessa processer för utbredd användning, vi behöver upptäcka nya elektrokatalysatorer – ämnen som ökar hastigheten för en elektrokemisk reaktion som sker på en elektrodyta. Att göra så, forskare vid Carnegie Mellon University letar efter nya metoder för att påskynda upptäcktsprocessen:maskininlärning.
Zack Ulissi, en biträdande professor i kemiteknik (ChemE), och hans grupp använder maskininlärning för att vägleda upptäckten av elektrokatalysatorer. För hand, forskare lägger timmar på att göra rutinmässiga beräkningar på material som kanske inte fungerar. Ulissis team har skapat ett system som automatiserar dessa rutinberäkningar, utforskar ett stort sökutrymme, och föreslår nya legeringar som har lovande egenskaper för elektrokatalys.
"Detta tillåter oss att ägna vår tid åt att ställa vetenskapliga frågor, tycka om, "Hur förutsäger man egenskaperna hos något, ''Vad är den termodynamiska modellen, ' 'Vad är modellen för systemet, ' eller 'Hur representerar du systemet?'", sa Ulissi.
Forskarna testade sin metod på upptäckten av intermetalliska ämnen som kunde göra bra elektrokatalysatorer för koldioxidreduktion och väteutveckling - två mycket komplexa reaktioner. En bra elektrokatalysator är billig, selektiv, aktiva, effektiv, och stabil. Många elektrokatalysatorer är gjorda av en klass av metaller som kallas intermetaller, som när de sätts ihop har en definierad kristallstruktur. Med ett maskininlärningssystem, det kan snabbt screena kombinationer av intermetalliska material för en eller flera egenskaper associerade med en bra elektrokatalysator.
Ulissi och Kevin Tran, en ChemE Ph.D. studerande, har ett system av skript som varje natt söker i en databas med miljontals adsorptionsplatser på tusentals intermetalliska material, eller där ett annat element kan fästa. Baserat på den sökningen, systemet bygger en maskininlärningsmodell för att förutsäga vilken webbplats det ska köra beräkningar på under nästa dag. Den kör sedan beräkningarna, som avslöjar mer om egenskaperna hos varje intermetallisk plats, och resultaten lagras i en databas och används för att träna om modellen. Sedan upprepar slingan sig själv, varje gång att hitta bättre och mer intressant material. På det här sättet, det ger rabatt på alla material som inte skulle vara bra katalysatorer, men ger forskaren förtroende för att de material som systemet föreslår inte kommer att leda till en återvändsgränd.
"Det vi har byggt är en smart maskin, men vårt mål är egentligen inte en smart maskin, sa Tran, en medförfattare till studien. "Vårt mål är att skapa en maskin som får oss data. Så vi använder verkligen maskinen som lantbrukare, att samla in data på ett intelligent sätt."
Medan en människa kan studera ungefär 10 till 20 nya energier i veckan, maskinen kan studera hundratals per dag. Före det automatiserade systemet, forskare skulle behöva begränsa utrymmet till en klass av material och arbeta i det utrymmet. Nu, de kan ta ett mer helhetsgrepp.
Genom denna studie, publiceras i Naturkatalys , forskarna har en lista över material och intermetalliska kombinationer som experimentalister borde prova, både för väteutveckling och koldioxidreduktion. Experimenten kommer sedan att avgöra vad som kommer att göra bra elektrokatalysatorer för storskalighet.
"Jag tror inte att folk hade gjort på det här sättet tidigare." sa Ulissi. "Vid denna tidpunkt begränsar vi bara vad experimentalister bör fokusera på. Vi kunde visa att utrymmet är större än vad folk trodde. Vi hittade intressanta idéer - som att om du tar två saker som är för svaga kan de faktiskt göra något starkare . Vi hade ingen aning om vi skulle hitta sådana resultat eller inte."
