• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Chimie
    Accélérer la découverte d'électrocatalyseurs avec l'apprentissage automatique

    Les chercheurs ouvrent la voie à une dépendance totale aux énergies renouvelables en étudiant des moyens à grande et à petite échelle de remplacer les combustibles fossiles. Une voie prometteuse consiste à convertir des produits chimiques simples en produits de valeur en utilisant de l'électricité renouvelable, y compris des processus tels que la réduction du dioxyde de carbone ou le fractionnement de l'eau. Mais pour étendre ces processus pour une utilisation généralisée, nous devons découvrir de nouveaux électrocatalyseurs, des substances qui augmentent la vitesse d'une réaction électrochimique qui se produit à la surface d'une électrode. Faire cela, des chercheurs de l'université Carnegie Mellon recherchent de nouvelles méthodes pour accélérer le processus de découverte :l'apprentissage automatique.

    Zack Ulissi, un professeur assistant de génie chimique (ChemE), et son groupe utilisent l'apprentissage automatique pour guider la découverte des électrocatalyseurs. Par la main, les chercheurs passent des heures à faire des calculs de routine sur des matériaux qui risquent de ne pas fonctionner. L'équipe d'Ulissi a créé un système qui automatise ces calculs de routine, explore un grand espace de recherche, et suggère de nouveaux alliages qui ont des propriétés prometteuses pour l'électrocatalyse.

    "Cela nous permet de passer notre temps à poser des questions scientifiques, Comme, 'Comment prédire les propriétés de quelque chose, ' 'Qu'est-ce que le modèle thermodynamique, ' ' Quel est le modèle du système, ' ou 'Comment représentez-vous le système ?'", a déclaré Ulissi.

    Les chercheurs ont testé leur méthode sur la découverte d'intermétalliques qui pourraient constituer de bons électrocatalyseurs pour la réduction du dioxyde de carbone et le dégagement d'hydrogène, deux réactions très complexes. Un bon électrocatalyseur est peu coûteux, sélectif, actif, efficace, et stable. De nombreux électrocatalyseurs sont fabriqués à partir d'une classe de métaux appelés intermétalliques, qui, une fois assemblés, ont une structure cristalline définie. Avec un système d'apprentissage automatique, il peut rapidement cribler des combinaisons d'intermétalliques pour une ou plusieurs propriétés associées à un bon électrocatalyseur.

    Le professeur adjoint Zachary Ulissi explique comment son groupe du département de génie chimique de Carnegie Mellon utilise l'apprentissage automatique pour accélérer le processus de recherche des meilleures structures chimiques pour résoudre des problèmes spécifiques tels que la réduction du CO2. Crédit :Collège d'ingénierie, L'université de Carnegie Mellon

    Ulissi et Kevin Tran, un doctorat ChemE. étudiant, avoir un système de scripts qui recherche chaque nuit une base de données des millions de sites d'adsorption sur des milliers d'intermétalliques, ou où un autre élément pourrait adhérer. Sur la base de cette recherche, le système crée un modèle d'apprentissage automatique pour prédire sur quel site il doit exécuter des calculs le jour suivant. Il exécute ensuite les calculs, qui en disent plus sur les propriétés de chaque site intermétallique, et les résultats sont stockés dans une base de données et utilisés pour recycler le modèle. Puis la boucle se répète, à chaque fois trouver des matériaux meilleurs et plus intéressants. De cette façon, il écarte tous les matériaux qui ne feraient pas de bons catalyseurs, mais donne au chercheur l'assurance que les matériaux suggérés par le système ne mèneront pas à une impasse.

    "Ce que nous avons construit est une machine intelligente, mais notre objectif n'est pas vraiment une machine intelligente, " dit Tran, un co-auteur de l'étude. "Notre objectif est de créer une machine qui nous donne des données. Nous utilisons donc vraiment la machine en tant qu'agriculteur, pour collecter des données intelligemment."

    Alors qu'un humain pourrait étudier environ 10 à 20 nouvelles énergies par semaine, la machine peut étudier des centaines par jour. Avant le système automatisé, les chercheurs devraient réduire l'espace à une classe de matériaux et travailler dans cet espace. Maintenant, ils peuvent adopter une approche plus holistique.

    A travers cette étude, Publié dans Catalyse naturelle , les chercheurs ont une liste de matériaux et de combinaisons intermétalliques que les expérimentateurs devraient essayer, à la fois pour le dégagement d'hydrogène et la réduction du dioxyde de carbone. Les expériences détermineront ensuite ce qui fera de bons électrocatalyseurs à grande échelle.

    "Je ne pense pas que les gens l'avaient fait de cette façon auparavant." dit Ulissi. « À ce stade, nous réduisons simplement ce sur quoi les expérimentateurs devraient se concentrer. Nous avons pu montrer que l’espace est plus grand que les gens ne le pensaient. Nous avons trouvé des idées intéressantes, comme si vous prenez deux choses trop faibles, elles peuvent en fait rendre quelque chose de plus fort . Nous n'avions aucune idée si nous allions trouver des résultats comme ça ou non. "


    © Science https://fr.scienceaq.com