I ett fynd som kan hjälpa till att bana väg mot renare bränslen och en mer hållbar kemisk industri, forskare vid University of Michigan har använt maskininlärning för att förutsäga hur sammansättningen av metallegeringar och metalloxider påverkar deras elektroniska strukturer.

Den elektroniska strukturen är nyckeln till att förstå hur materialet kommer att fungera som förmedlare, eller katalysator, av kemiska reaktioner.

"Vi lär oss att identifiera materials fingeravtryck och koppla dem till materialets prestanda, sa Bryan Goldsmith, Dow Corning biträdande professor i kemiteknik.

En bättre förmåga att förutsäga vilka metall- och metalloxidkompositioner som är bäst för att vägleda vilka reaktioner som skulle kunna förbättra storskaliga kemiska processer som väteproduktion, produktion av andra bränslen och gödselmedel, och tillverkning av hushållskemikalier som diskmedel.

"Syftet med vår forskning är att utveckla prediktiva modeller som kopplar en katalysators geometri till dess prestanda. Sådana modeller är centrala för utformningen av nya katalysatorer för kritiska kemiska transformationer, " sa Suljo Linic, Martin Lewis Perl kollegial professor i kemiteknik.

En av de viktigaste metoderna för att förutsäga hur ett material kommer att bete sig som en potentiell förmedlare av en kemisk reaktion är att analysera dess elektroniska struktur, särskilt tätheten av stater. Detta beskriver hur många kvanttillstånd som är tillgängliga för elektronerna i de reagerande molekylerna och energierna i dessa tillstånd.

Vanligtvis, den elektroniska densiteten av tillstånd beskrivs med sammanfattande statistik - en medelenergi eller en skevhet som avslöjar om fler elektroniska tillstånd är över eller under genomsnittet, och så vidare.

"Det är ok, men det är bara enkel statistik. Du kanske missar något. Med huvudkomponentanalys, du bara tar in allt och hittar det som är viktigt. Du slänger inte bara information, sa Goldsmith.

Huvudkomponentanalys är en klassisk maskininlärningsmetod, undervisas i inledande datavetenskapliga kurser. De använde den elektroniska densiteten av tillstånd som indata för modellen, eftersom tillståndstätheten är en bra prediktor för hur en katalysators yta kommer att adsorberas, eller knyta an till, atomer och molekyler som fungerar som reaktanter. Modellen kopplar tillståndstätheten samman med materialets sammansättning.

Till skillnad från konventionell maskininlärning, som i huvudsak är en svart låda som matar in data och erbjuder förutsägelser i gengäld, teamet gjorde en algoritm som de kunde förstå.

"Vi kan systematiskt se vad som förändras i densiteten av tillstånd och korrelera det med materialets geometriska egenskaper, sa Jacques Esterhuizen, doktorand i kemiteknik och första författare på tidningen i Chem Catalysis .

Denna information hjälper kemiingenjörer att designa metallegeringar för att få den densitet av tillstånd som de vill ha för att mediera en kemisk reaktion. Modellen återspeglade korrekt korrelationer som redan observerats mellan ett material sammansättning och dess densitet av tillstånd, samt att visa upp nya potentiella trender som ska utforskas.

Modellen förenklar densiteten av tillstånd i två delar, eller huvudkomponenter. En del täcker i huvudsak hur metallens atomer passar ihop. I en skiktad metallegering, detta inkluderar om den underjordiska metallen drar isär ytatomerna eller klämmer ihop dem, och antalet elektroner som metallen under ytan bidrar till bindning. Den andra biten är bara antalet elektroner som ytmetallatomerna kan bidra till att binda. Från dessa två huvudkomponenter, de kan rekonstruera tätheten av tillstånd i materialet.

Detta koncept fungerar även för reaktiviteten hos metalloxider. I detta fall, oro är syrets förmåga att interagera med atomer och molekyler, vilket är relaterat till hur stabilt ytsyren är. Stabila ytsyrer är mindre benägna att reagera, medan instabila ytsyrer är mer reaktiva. Modellen fångade exakt syrestabiliteten i metalloxider och perovskiter, en klass av metalloxider.