En ny metod för maskininlärning ger viktig insikt i katalys, en grundläggande process som gör det möjligt att minska utsläppen av giftiga avgaser eller producera viktiga material som tyg.

I en rapport publicerad i Naturkommunikation , Hongliang Xin, docent i kemiteknik vid Virginia Tech, och hans team av forskare utvecklade en Bayesiansk inlärningsmodell för kemisorption, eller Bayeschem för kort, syftar till att använda artificiell intelligens för att låsa upp karaktären av kemisk bindning vid katalysatorytor.

"Allt beror på hur katalysatorer binder med molekyler, "sa Xin." Interaktionen måste vara tillräckligt stark för att bryta några kemiska bindningar vid lagom låga temperaturer, men inte för stark för att katalysatorer skulle förgiftas av reaktionsmellanprodukter. Denna regel är känd som Sabatier -principen i katalys. "

Att förstå hur katalysatorer interagerar med olika mellanprodukter och bestämma hur de ska kontrollera sina bindningsstyrkor så att de befinner sig inom den ”guldlockszonen” är nyckeln till att utforma effektiva katalytiska processer, Sa Xin. Forskningen ger ett verktyg för detta ändamål.

Bayeschem arbetar med Bayesiansk inlärning, en specifik maskininlärningsalgoritm för att härleda modeller från data. "Antag att du har en domänmodell baserad på väletablerade fysiska lagar, och du vill använda den för att göra förutsägelser eller lära dig något nytt om världen, "förklarade Siwen Wang, en tidigare kemiteknisk doktorand. "Det bayesiska tillvägagångssättet är att lära sig fördelningen av modellparametrar med tanke på våra förkunskaper och observerade, ofta knappt, data, samtidigt som man ger osäkerhetskvantifiering av modellprognoser. "

D-bandsteorin om kemisorption som används i Bayeschem är en teori som beskriver kemisk bindning vid fasta ytor som involverar d-elektroner som vanligtvis är formade som en fyrklöver. Modellen förklarar hur d-orbitaler i katalysatoratomer överlappar varandra och lockas till adsorberande valensorbitaler som har en sfärisk eller hantelliknande form. Den har ansetts vara standardmodellen för heterogen katalys sedan Hammer och Nørskov utvecklade den på 1990 -talet, och även om det har varit framgångsrikt att förklara bondingstrender för många system, Xin sa att modellen misslyckas ibland på grund av den inneboende komplexiteten hos elektroniska interaktioner.

Enligt Xin, Bayeschem tar d-bandsteorin till en ny nivå för att kvantifiera dessa interaktionsstyrkor och eventuellt skräddarsy några vred, såsom struktur och sammansättning, att designa bättre material. Tillvägagångssättet avancerar d-bandsteorin om kemisorption genom att utöka dess förutsägelse- och tolkningsmöjligheter för adsorptionsegenskaper, båda är avgörande för upptäckt av katalysatorer. Dock, jämfört med black-box maskininlärningsmodeller som tränas av stora mängder data, Bayeschems förutsägelsesnoggrannhet kan fortfarande förbättras, sa Hemanth Pillai, en kemiteknisk doktorand i Xins grupp som bidrog lika till studien.

"Möjligheten att komma med mycket exakta och tolkbara modeller som bygger på algoritmer för djupinlärning och teorin om kemisorption är mycket givande för att uppnå målen för artificiell intelligens i katalys, "sa Xin.