Les ingénieurs chimistes de l'Université Rice et de l'Université d'État de Pennsylvanie ont montré que la combinaison de l'apprentissage automatique et de la chimie quantique peut permettre d'économiser du temps et de l'argent lors de la conception de nouveaux catalyseurs.

"De grandes quantités de données sont générées dans la catalyse informatique, et le domaine commence à se rendre compte que les outils de science des données peuvent être extrêmement précieux pour passer au crible des données volumineuses afin de rechercher des corrélations fondamentales que nous pourrions autrement manquer, " a déclaré Thomas Senftle de Rice, co-auteur d'une nouvelle étude publiée en ligne cette semaine dans Catalyse naturelle . "C'est vraiment le sujet de cet article. Nous avons combiné des outils bien établis pour la génération et l'analyse de données d'une manière qui nous a permis de rechercher des corrélations que nous n'aurions pas remarquées autrement."

Un catalyseur est une substance qui accélère les réactions chimiques sans être consommée par celles-ci. Les pots catalytiques des automobiles, par exemple, contiennent des métaux comme le platine et le palladium qui facilitent les réactions qui décomposent les polluants atmosphériques. Les catalyseurs sont un pilier des industries chimiques et pharmaceutiques, et le marché mondial des catalyseurs est estimé à 20 milliards de dollars par an.

Les métaux utilisés dans les convertisseurs catalytiques font généralement partie d'un treillis métallique. Lorsque les gaz d'échappement chauds traversent le maillage, les atomes de métal à la surface catalysent des réactions qui décomposent certaines molécules nocives en sous-produits inoffensifs.

"C'est une réaction en phase gazeuse, " a déclaré Senftle à propos de l'exemple du convertisseur catalytique. " Il y a une certaine concentration d'espèces en phase gazeuse qui sortent du moteur. Nous voulons un catalyseur qui transforme les polluants en produits inoffensifs, mais différentes voitures ont des moteurs différents qui produisent des compositions différentes de ces produits, donc un catalyseur qui fonctionne bien dans une situation peut ne pas fonctionner aussi bien dans une autre."

La pratique consistant à faire passer des réactifs devant un catalyseur est également courante dans l'industrie. Dans de nombreux cas, un métal catalytique est attaché à une surface solide et des réactifs s'écoulent sur la surface, sous forme liquide ou gazeuse. Pour les processus industriels qui fabriquent des tonnes de produits par an, l'amélioration de l'efficacité du catalyseur métallique, même de quelques pour cent, peut se traduire par des millions de dollars pour les entreprises.

"Si vous avez une image claire des propriétés du catalyseur métallique et du matériau de substrat auquel le métal se fixe, qui vous permet d'affiner votre recherche au début, " a déclaré Senftle. " Vous pouvez réduire votre espace de conception en utilisant l'ordinateur pour explorer quels matériaux sont susceptibles de bien fonctionner dans certaines conditions. "

Senfte, professeur assistant en génie chimique et biomoléculaire à Rice, a commencé la recherche nouvellement publiée alors qu'il était encore étudiant diplômé à Penn State en 2015, avec les auteurs principaux Nolan O'Connor et A.S.M. Jonayat et le co-auteur Michael Janik. Ils ont commencé par utiliser la théorie fonctionnelle de la densité pour calculer les forces de liaison d'atomes uniques de nombreux types de métaux différents avec une gamme de substrats d'oxyde métallique.

"L'énergie de liaison entre le métal et le substrat est particulièrement intéressante car plus la liaison est forte, moins l'atome de métal est susceptible de se déloger, " dit Janik. " Si nous pouvons contrôler cette énergie de liaison, nous pouvons adapter la distribution granulométrique de ces particules métalliques, et cela, à son tour, va avoir un impact sur la réaction globale qu'ils peuvent catalyser."

O'Connor a dit, « Nous étions curieux de connaître les propriétés des atomes métalliques individuels et des surfaces d'oxyde qui formaient de fortes paires d'interaction, qui est une propriété que nous pouvons utiliser pour concevoir des catalyseurs robustes."

Avec la liste des énergies de liaison, l'équipe avait un catalogue d'environ 330, 000 propriétés supplémentaires pour chacune des combinaisons métal-substrat, y compris des facteurs tels que l'énergie de formation d'oxyde, numéro de coordination, énergie de formation d'alliage et énergie d'ionisation.

"L'algorithme d'apprentissage automatique recherche les combinaisons de ces descripteurs qui sont en corrélation avec les données observées sur les énergies de liaison, " a déclaré Jonayat. " Cela nous permet essentiellement de demander, « De tous ces descripteurs, comment pouvons-nous trouver ceux qui sont en corrélation avec le comportement observé qui nous intéresse ? »

Il a déclaré que l'identification de telles corrélations peut rationaliser la conception du catalyseur en permettant de prédire le comportement des matériaux avant les tests en laboratoire qui peuvent être à la fois coûteux et longs. L'apprentissage automatique peut également identifier des effets intéressants qui méritent une étude supplémentaire.

Par exemple, Senftle a déclaré qu'une corrélation qui n'arrêtait pas d'apparaître dans l'étude était l'importance de l'interaction directe entre les métaux catalytiques et les atomes de métal dans le support. Il a dit que c'était inattendu parce que les métaux ont généralement chacun une forte affinité pour se lier à l'oxygène par opposition à se lier les uns aux autres.

"Initialement, l'idée était que c'était l'oxygène qui était important, " a déclaré Senftle. "Nous voulions déterminer dans quelle mesure ces deux métaux différents partageaient l'oxygène. Mais cette interaction directe entre les métaux eux-mêmes n'arrêtait pas d'apparaître dans nos calculs, et cela a joué un rôle beaucoup plus important dans la dictée du comportement global du système que nous ne l'avions prévu."

Senftle a déclaré qu'il aimerait s'appuyer sur la complexité des simulations dans les recherches futures.

"Ici, nous examinions les interactions entre les métaux et les supports dans un environnement vierge sans molécules d'eau ni impuretés d'aucune sorte, " dit-il. " En réalité, les catalyseurs sont utilisés dans des environnements réactionnels très compliqués, et nous aimerions examiner comment ces tendances changent dans ces paramètres. Par exemple, s'il s'agissait d'un milieu aqueux, l'eau ou l'eau dissociée s'adsorberaient probablement à la surface. Ceux-ci vont avoir un impact sur l'interaction, parce que maintenant vous avez un autre joueur qui partage la densité électronique et partage les oxygènes de surface."