Katalysatorer skapar förändring.

Många naturvetenskapslärare på gymnasiet har droppat några droppar kaliumjodid i väteperoxid och sett elevernas förtjusning när en vulkan av skum bröt ut ur behållaren. Detta experiment är ofta det sätt som unga människor först lär sig om katalysatorer som något som kan framkalla en kemisk reaktion.

Men katalysatorer kan göra mer än skum. När dessa ungdomar växer till unga vetenskapsmän, de lär sig att katalys – accelerationen av en kemisk reaktion av en katalysator – är en nyckelprocess i skapandet av nästan allt. Från plasten som utgör vår medicinska utrustning, till bensinen i våra bilar, till färgen som färgar våra hem – ingen av dessa skulle kunna existera utan katalysatorer.

Katalysatorer finns i alla former och storlekar, och var och en fyller en annan funktion. Upptäckten av nya katalysatorer innebär ofta att vi kan skapa och perfekta nya material, som kan användas i framtida produkter, bränslen, och precis allt annat. Tyvärr, att upptäcka och optimera dessa nya katalysatorer kan vara en lång och svår process, involverar ett oregerligt antal variabler. Svårigheten med denna process är ett av de primära hindren för upptäckt av nya katalysatorer.

Av denna anledning, Carnegie Mellons kemiingenjörer har nyligen börjat söka sig till andra områden för att få svar. Nyligen, både Department of Energy och National Science Foundation har investerat i den unika forskning som Zachary Ulissi, John Kitchin, och Andrew Gellman är banbrytande, som undersöker vilken roll maskininlärning kan spela i upptäckten av nya katalysatorer. Genom utveckling och implementering av nya maskininlärningsalgoritmer, i vilken takt forskare kan upptäcka nya, effektiva katalysatorer kommer att öka exponentiellt.

Optimal legeringssammansättning för katalytiska ytor

Vätebränsleceller drivs av katalytiska reaktioner - i synnerhet, av vad som kallas en legeringskatalysatoryta. Bränslecellens effektivitet beror på den exakta blandningen av metaller som utgör legeringskatalysatorytan. Men att hitta den perfekta mixen är inte lätt. Det är därför ChemE Professor John Kitchin, med stöd från National Science Foundation, har utvecklat en unik maskininlärningsalgoritm för att snabbt testa så många kombinationer som möjligt. Hans upptäckter är detaljerade i hans papper, "Modellera segregation på AuPd(111)-ytor med densitetsfunktionsteori och Monte Carlo-simuleringar, " publicerad i Journal of Physical Chemistry .

Metallegeringar används som katalysatorer för att producera väteperoxid från väte och syre för användning som en förnybar grön oxidant i kemisk syntes. När det gäller Kitchins forskning, denna legering består av guld (Au) och palladium (Pd). När palladium reagerar med väte och syre i reaktorn, det skapar väteperoxid, som kan användas som oxidationsmedel. Tyvärr, genom denna reaktion, palladium skapar också vatten, vilket är oönskat för eftersom det slösar bort det värdefulla vätet. Genom att legera guld med palladium, denna sekundära reaktion kan mildras, vilket får reaktorn att skapa mer av den önskade väteperoxiden. Men hur väl legeringen kan göra detta beror på det exakta förhållandet mellan Au och Pd i katalysatorn - ner till atomen. Att kontrollera varje möjlig kvot för hand skulle ta mycket mer tid än någon grupp av forskare skulle kunna spendera.

"Vår forskning har utvecklat en unik maskininlärningsalgoritm för att simulera sammansättningen av en yta så att vi kan uppskatta och bestämma fördelningen av atomer i atomskala i ytan, " säger Kitchin. "I alla simuleringar av katalys på metallytor, resultaten beror på detaljerna på ytan som modelleras. Om den modellerade ytan inte är representativ för hur ytan skulle se ut i experimentet, då kommer simuleringsresultaten inte heller att vara representativa för vad som kunde observeras experimentellt. Vår forskning ger en utgångspunkt för att få en mer realistisk modell av ytan för att simulera katalys som är relevant för experimentella observationer."

Intermetallics vs legeringar i jakten på effektivitet

Legerade katalysatorytor har ett antal tillämpningar inom kemiteknik - men de är inte de enda metallkatalysatorerna som ofta används för kemiska reaktioner. Intermetallics liknar legeringar, men istället för att atomerna blandas slumpmässigt, intermetalliska ämnen skapas genom att specifikt placera atomer av en metall i ett upprepande mönster med atomerna i en annan. På grund av deras exakta atomsammansättning, intermetalliska material kan anpassas specifikt för att katalysera en viss reaktion.

Men eftersom atomplacering i intermetallik är så exakt, att optimera arrangemanget för maximal katalytisk effekt är en mödosam process. Experiment för att utveckla bättre intermetaller bygger till stor del på metoden "gissa och kontrollera". Så för att skapa en mer effektiv metod, ChemE biträdande professor Zack Ulissi, tillsammans med sina medarbetare på Penn State, arbetar med att utveckla ett beräkningsverktyg som använder maskininlärning för att inte bara modellera intermetalliska konfigurationer och testa dem för effektivitet, men använder data som samlats in från dessa experiment för att bestämma vilka konfigurationer som är mer benägna att fungera i framtiden. Forskningen stöds av ett anslag på 1,2 miljoner dollar från US Department of Energy.

"Fältet katalys omfamnar maskininlärning för att hjälpa till att lösa utmaningar som har undgått oss hittills, säger Ulissi. Men, de flesta av de tidiga framgångarna har varit enbart på beräkningssidan – vilket hjälper oss att bättre förstå de katalysatorer vi redan känner till. Men det här projektet handlar om att utveckla nya metoder och verktyg för att påskynda kompositionsdesignprocessen."

Experimentella verktyg för att bekräfta maskininlärningsmodeller

Även om maskininlärning är ett kraftfullt verktyg, förmågan att experimentellt bekräfta resultaten av maskininlärningsmodeller är avgörande för att säkerställa deras tillförlitlighet. Det är därför professor Andrew Gellman och hans forskargrupp har utvecklat experimentella metoder för att komplettera verktygen för maskininlärning som utvecklats av Kitchin och Ulissi. National Science Foundation, genom sitt initiativ Designing Materials to Revolutionize and Engineer Our Future (DMREF), har investerat i ett team ledd av Gellman för att vara banbrytande för helt nya forskningsverktyg, som kan framställa hundratals legeringskompositioner samtidigt och samtidigt analysera deras ytor.

Dessa verktyg fungerar genom att identifiera den optimala sammansättningen av två- eller trekomponentlegeringar, och jämföra dem med kompositionerna som förutspåtts av maskininlärning. Dessa komponentlegeringar kan sedan testas experimentellt i labbet för att bekräfta att de fungerar som maskininlärningsmodellen säger att de gör. Sedan, när experimentet har bekräftat förutsägelserna av modellen för flera binära och ternära legeringar, den optimala sammansättningen av andra legeringar med olika komponenter kan på ett tillförlitligt sätt identifieras på basis av enbart maskininlärningsmetoderna.

Carnegie Mellon-forskare ligger i framkant av maskininlärning för katalys, och bredden och djupet av denna forskning växer hela tiden. Studenter från hela världen kommer till avdelningen för kemiteknik för att studera detta spännande, framväxande fält. Nya projekt finansieras varje dag, inklusive ett nyligen ARPA-E-anslag för att stödja Gellman och Ulissi i att studera djup förstärkningsinlärning i katalys. Tack vare det avancerade samarbetet mellan dessa fakulteter, studenter, och stiftelser, CMU ChemE är redo att skapa oöverträffade förändringar inom området för upptäckt av katalys.