En maskininlärningsteknik återupptäckte snabbt regler för katalysatorer som tog människor år av svåra beräkningar att avslöja – och till och med förklarade en avvikelse. Teamet från University of Michigan som utvecklade tekniken tror att andra forskare kommer att kunna använda den för att göra snabbare framsteg i att designa material för en mängd olika ändamål.

"Detta öppnar en ny dörr, inte bara för att förstå katalys, men också potentiellt för att utvinna kunskap om supraledare, enzymer, termoelektriska, och solceller, sa Bryan Goldsmith, en biträdande professor i kemiteknik, som ledde arbetet med Suljo Linic, professor i kemiteknik.

Nyckeln till alla dessa material är hur deras elektroner beter sig. Forskare skulle vilja använda maskininlärningstekniker för att utveckla recept för de materialegenskaper som de vill ha. För supraledare, elektronerna måste röra sig utan motstånd genom materialet. Enzymer och katalysatorer behöver förmedla utbyte av elektroner, möjliggöra nya läkemedel eller skära av kemiskt avfall, till exempel. Termoelektrik och fotovoltaik absorberar ljus och genererar energiska elektroner, därigenom genererar el.

Maskininlärningsalgoritmer är vanligtvis "svarta lådor, " vilket betyder att de tar in data och spottar ut en matematisk funktion som gör förutsägelser baserat på dessa data.

"Många av dessa modeller är så komplicerade att det är väldigt svårt att få fram insikter från dem, sa Jacques Esterhuizen, en doktorand i kemiteknik och första författare till uppsatsen i tidskriften Chem . "Det är ett problem eftersom vi inte bara är intresserade av att förutsäga materialegenskaper, vi vill också förstå hur den atomära strukturen och sammansättningen kartläggs till materialegenskaperna."

Men en ny typ av maskininlärningsalgoritm låter forskare se sambanden som algoritmen skapar, identifiera vilka variabler som är viktigast och varför. Detta är viktig information för forskare som försöker använda maskininlärning för att förbättra materialdesign, inklusive för katalysatorer.

En bra katalysator är som en kemisk matchmaker. Den måste kunna ta tag i reaktanterna, eller atomerna och molekylerna som vi vill reagera, så att de träffas. Än, det måste göra så löst nog att reaktanterna hellre binder med varandra än att hålla sig till katalysatorn.

I detta speciella fall, de tittade på metallkatalysatorer som har ett lager av en annan metall precis under ytan, känd som en underjordisk legering. Det underjordiska lagret ändrar hur atomerna i det översta lagret är fördelade och hur tillgängliga elektronerna är för bindning. Genom att justera avståndet, och därav elektrontillgängligheten, kemiingenjörer kan stärka eller försvaga bindningen mellan katalysatorn och reaktanterna.

Esterhuizen började med att köra kvantmekaniska simuleringar vid National Energy Research Scientific Computing Center. Dessa bildade datamängden, visar hur vanliga underjordiska legeringskatalysatorer, inklusive metaller som guld, iridium och platina, binder till vanliga reaktanter som syre, hydroxid och klor.

Teamet använde algoritmen för att titta på åtta materialegenskaper och förhållanden som kan vara viktiga för bindningsstyrkan hos dessa reaktanter. Det visade sig att tre betydde mest. Den första var huruvida atomerna på katalysatorytan drogs isär från varandra eller hoptrycktes av de olika metallerna under. Den andra var hur många elektroner som fanns i elektronomloppet som var ansvariga för bindning, d-orbitalen i detta fall. Och det tredje var storleken på det där d-elektronmolnet.

De resulterande förutsägelserna för hur olika legeringar binder till olika reaktanter reflekterade mestadels "d-band"-modellen, som utvecklades under många år av kvantmekaniska beräkningar och teoretisk analys. Dock, de förklarade också en avvikelse från den modellen på grund av starka frånstötande interaktioner, som uppstår när elektronrika reaktanter binder till metaller med mestadels fyllda elektronorbitaler.