Skoltech-forskare och deras kollegor från Kina och Tyskland har presenterat en ny sökalgoritm för single-atom-alloy catalysts (SAAC) som hittade mer än 200 ännu orapporterade kandidater. Deras arbete ger ett recept för att hitta de bästa SAAC:erna för olika applikationer. Uppsatsen publicerades i tidskriften Naturkommunikation .

Katalysatorer med en atomlegering, eller SAAC, där enskilda atomer av sällsynta och dyra metaller som platina är dispergerade på en inert metallvärd, är mycket effektiva och selektiva i många katalytiska reaktioner, inklusive selektiva hydreringar, dehydrering, C−C och C−O kopplingsreaktioner, INGEN minskning, och CO-oxidation. Det är därför de används i industriellt viktiga reaktioner som hydrering av organiska molekyler för att uppgradera kemikalier till högre värdeprodukter.

"Effektiviteten hos SAAC i dessa reaktioner tillskrivs en synergistisk effekt av legeringskomponenter som ger effektiv dissociation av vätemolekyler utan överdriven bindning av väteatomer. det finns inte så många kända SAAC som är stabila och samtidigt katalytiskt aktiva, mest för att deras design hittills till stor del har förlitat sig på trial and error. Även inom binära legeringar finns det flera tusen möjliga SAAC med olika metallkombinationer och ytsnitt. Detta gör trial and error-metoderna extremt ineffektiva, "Sergey Levchenko, biträdande professor vid Skoltech Center for Energy Science and Technology, säger.

Levchenko och hans kollegor kunde identifiera exakta och tillförlitliga maskininlärningsmodeller baserat på första principberäkningar för beskrivningen av vätebindande energi, dissociationsenergi, och gäst-atomsegregationsenergi för SAAC. Detta ledde till att de gjorde en mycket snabbare (med en faktor på tusen) men pålitlig förutsägelse av den katalytiska prestandan hos tusentals SAAC.

"Modellen utvärderar korrekt prestandan hos experimentellt testade SAAC:er. Genom att skanna mer än fem tusen SAAC:er med vår modell, vi har identifierat över tvåhundra nya SAAC med både förbättrad stabilitet och prestanda jämfört med de befintliga, " skriver författarna.

De använde artificiell intelligens för att extrahera viktiga parametrar (deskriptorer) från beräkningsdata som korrelerar med SAAC:s katalytiska prestanda och som samtidigt är mycket snabba att beräkna. Förutom praktiska modeller, författarna utvecklade också en ny maskininlärningsmetod för att identifiera kombinationer av materials fysiska egenskaper som resulterar i enastående katalytisk prestanda, sålunda extrahera fysisk kunskap och förståelse från data.

"Den utvecklade metodiken kan enkelt anpassas för att designa nya funktionella material för olika applikationer, inklusive elektrokatalys (syrereduktion och väteutvecklingsreaktioner), bränsleceller, reformering av metan, och vatten-gas shift-reaktion, "Noterar Levchenko.