Prof Dr. Johannes Margraf och ett team av forskare har utvecklat en lovande metod för att förbättra effektiviteten hos elektrokatalysatorer. Med hjälp av simuleringar och artificiell intelligens har forskarna utvecklat ett datorprogram som samtidigt kan optimera flera egenskaper hos katalysatorn. Resultaten har nu publicerats i Journal of the American Chemical Society .
Högentropilegeringar (HEA) är en lovande typ av material för elektrokatalys. Elektrokatalys är en process där vissa material hjälper till att påskynda kemiska reaktioner som äger rum i batterier eller bränsleceller.
Till skillnad från konventionella metallkatalysatorer består dessa material av en blandning av många element. Som ett resultat har de en mycket komplex struktur och skulle därför kunna ha bättre katalytiska egenskaper i elektrolysatorer och bränsleceller. Det är dock svårt för forskare att hitta den bästa blandningen av element för en specifik tillämpning.
"Tidigare arbete har främst fokuserat på att förbättra katalytisk aktivitet", säger Margraf, ordförande för Fysikalisk Kemi V:Teori och maskininlärning vid University of Bayreuth. "Men vi har utvecklat en algoritm som kan använda simuleringar och artificiell intelligens för att samtidigt förbättra flera egenskaper hos katalysatorn, såsom aktivitet, kostnad och stabilitet."
Detta gjorde det möjligt för forskarna från Bayreuth och Fritz Haber Institute i Berlin att förutsäga många nya HEA som erbjuder olika avvägningar mellan dessa egenskaper.
"Vi testade algoritmen specifikt för syrereduktion i bränsleceller, där dyr platina normalt används som katalysator. Vi hittade katalysatorer som är lika aktiva som platina men kostar mycket mindre – bara 10 % jämfört med platina", förklarar Margraf. "Vi kunde också identifiera katalysatorer som är två och en halv gånger så aktiva som platina, men till en liknande kostnad."
Bayreuth-forskarens teoretiska förutsägelser måste nu bekräftas av praktiska experiment.
Mer information: Wenbin Xu et al, Discovering High Entropy Alloy Electrocatalysts in Vast Composition Spaces with Multiobjective Optimization, Journal of the American Chemical Society (2024). DOI:10.1021/jacs.3c14486
Tillhandahålls av Bayreuth University
