Forskare har utnyttjat kraften hos artificiell intelligens för att avsevärt främja upptäckten och optimeringen av flerkomponentmetalloxidelektrokatalysatorer för syrereduktionsreaktionen (ORR).
Detta genombrott har potential att revolutionera effektiviteten och överkomligheten för förnybar energiteknik som vätebränsleceller och batterier, vilket banar väg för en hållbar energiframtid.
Detaljer om resultaten publicerades i Journal of Materials Chemistry A den 23 april 2024.
Studien analyserade 7 798 olika metalloxid-ORR-katalysatorer från experiment med hög genomströmning. Dessa katalysatorer, som innehåller element som nickel, järn, mangan, magnesium, kalcium, lantan, yttrium och indium, testades vid olika potentialer för att utvärdera deras prestanda.
Med hjälp av maskininlärningsmetoden XGBoost byggde forskarna en prediktiv modell för att identifiera potentiella nya kompositioner utan behov av uttömmande experimentella tester.
Forskningen fann att ett stort antal ambulerande elektroner och hög konfigurationsentropi är kritiska egenskaper för att uppnå hög strömtäthet i ORR. För strömtäthet vid 0,8 VRHE visade de ternära systemen Mn–Ca–La, Mn–Ca–Y och Mn–Mg–Ca betydande potential för vätebränslecelltillämpningar. Vid 0,63 VRHE identifierades Mn–Fe–X (X =Ni, La, Ca, Y) och Mn–Ni–X (X =Ca, Mg, La, Y) systemen som lovande kandidater för väteperoxidproduktion.
"Vårt innovativa tillvägagångssätt som använder maskininlärning påskyndar designen och optimeringen av flerkomponentskatalysatorer, vilket sparar avsevärd tid och resurser", säger Xue Jia, biträdande professor vid Advanced Institute for Materials Research och en av medförfattarna till studien.
"Genom att identifiera högpresterande katalysatorkompositioner effektivt har vi en demonstrerad transformativ metod som kan leda till betydande framsteg inom hållbar energiteknik.
Förbättrade katalysatorer kan förbättra effektiviteten och minska kostnaderna för förnybar energiteknik, främja deras bredare antagande och minska beroendet av fossila bränslen. Effektivare energilagringssystem kan sänka de totala kostnaderna, göra förnybar energi mer tillgänglig och bidra till miljövård.
Den framgångsrika tillämpningen av maskininlärning i denna studie sätter ett prejudikat för framtida forskning, vilket kan leda till genombrott inom olika vetenskapliga områden. Förbättrade ORR-katalysatorer kan också öka produktionen av väteperoxid, som ofta används för desinfektion och industriella processer, vilket gynnar folkhälsan och säkerheten.
"Denna forskning understryker den otroliga potentialen hos artificiell intelligens för att accelerera katalysatordesign och materialupptäckt", tillägger Jia. "Våra resultat kommer förhoppningsvis att möjliggöra framtida genombrott inom hållbar energiteknik, vilket är avgörande för att hantera globala energiutmaningar."
Mer information: Xue Jia et al, Maskininlärning möjliggjorde utforskning av flerkomponentmetalloxider för att katalysera syrereduktion i alkaliska medier, Journal of Materials Chemistry A (2024). DOI:10.1039/D4TA01884B
Journalinformation: Journal of Materials Chemistry A
Tillhandahålls av Tohoku University
