Les catalyseurs créent le changement.

De nombreux professeurs de sciences au collège ont versé quelques gouttes d'iodure de potassium dans du peroxyde d'hydrogène et ont observé la joie de leurs élèves lorsqu'un volcan de mousse a éclaté du récipient. Cette expérience est souvent la façon dont les jeunes apprennent d'abord les catalyseurs comme quelque chose qui peut induire une réaction chimique.

Mais les catalyseurs peuvent faire plus que de la mousse. À mesure que ces jeunes deviennent de jeunes scientifiques, ils apprennent que la catalyse - l'accélération d'une réaction chimique par un catalyseur - est un processus clé dans la création d'à peu près tout. Des plastiques qui composent notre équipement médical, à l'essence de nos voitures, à la peinture qui colore nos maisons, rien de tout cela ne pourrait exister sans catalyseurs.

Les catalyseurs sont de toutes formes et tailles, et chacun remplit une fonction différente. La découverte de nouveaux catalyseurs signifie souvent que nous sommes capables de créer et de perfectionner de nouveaux matériaux, qui pourra être utilisé dans de futurs produits, carburants, et à peu près tout le reste. Malheureusement, découvrir et optimiser ces nouveaux catalyseurs peut être un processus long et difficile, impliquant un nombre indiscipliné de variables. La difficulté de ce processus est l'un des principaux obstacles à la découverte de nouveaux catalyseurs.

Pour cette raison, Les ingénieurs chimistes de Carnegie Mellon ont récemment commencé à chercher des réponses dans d'autres domaines. Récemment, le ministère de l'Énergie et la National Science Foundation ont investi dans la recherche unique que Zachary Ulissi, John Kitchin, et Andrew Gellman sont des pionniers, qui examine le rôle que l'apprentissage automatique peut jouer dans la découverte de nouveaux catalyseurs. Grâce au développement et à la mise en œuvre de nouveaux algorithmes d'apprentissage automatique, la vitesse à laquelle les chercheurs peuvent découvrir de nouvelles, les catalyseurs efficaces augmenteront de façon exponentielle.

Composition d'alliage optimale pour les surfaces catalytiques

Les piles à combustible à hydrogène sont alimentées par des réactions catalytiques, en particulier, par ce qu'on appelle une surface de catalyseur en alliage. L'efficacité de la pile à combustible dépend du mélange exact de métaux qui composent la surface du catalyseur en alliage. Mais trouver ce mélange parfait n'est pas facile. C'est pourquoi le professeur ChemE John Kitchin, avec le soutien de la National Science Foundation, a développé un algorithme d'apprentissage automatique unique pour tester rapidement autant de combinaisons que possible. Ses conclusions sont détaillées dans son article, "Modélisation de la ségrégation sur les surfaces AuPd(111) avec la théorie fonctionnelle de la densité et des simulations de Monte Carlo, " publié dans le Journal de chimie physique .

Les alliages métalliques sont utilisés comme catalyseurs pour produire du peroxyde d'hydrogène à partir d'hydrogène et d'oxygène à utiliser comme oxydant vert renouvelable dans la synthèse chimique. Dans le cas des recherches de Kitchin, cet alliage est composé d'or (Au) et de palladium (Pd). Lorsque le palladium réagit avec l'hydrogène et l'oxygène dans le réacteur, il crée du peroxyde d'hydrogène, qui peut être utilisé comme oxydant. Malheureusement, par cette réaction, le palladium crée aussi de l'eau, ce qui est indésirable pour le car il gaspille le précieux hydrogène. En alliant l'or au palladium, cette réaction secondaire peut être atténuée, amenant le réacteur à créer plus de peroxyde d'hydrogène souhaité. Mais à quel point l'alliage est capable de le faire dépend du rapport exact de Au à Pd dans le catalyseur - jusqu'à l'atome. Vérifier manuellement tous les ratios possibles prendrait beaucoup plus de temps que n'importe quel groupe de chercheurs serait en mesure d'en dépenser.

"Notre recherche a développé un algorithme d'apprentissage automatique unique pour simuler la composition d'une surface afin que nous puissions estimer et déterminer la distribution à l'échelle atomique des atomes dans la surface, " dit Kitchin. " Dans toute simulation de catalyse sur des surfaces métalliques, les résultats dépendent des détails de la surface modélisée. Si la surface modélisée n'est pas représentative de ce à quoi ressemblerait la surface dans l'expérience, alors les résultats de la simulation ne seront pas non plus représentatifs de ce qui pourrait être observé expérimentalement. Notre recherche fournit un point de départ pour obtenir un modèle plus réaliste de la surface pour simuler la catalyse qui est pertinent pour les observations expérimentales."

Intermétalliques vs alliages en quête d'efficacité

Les surfaces de catalyseur en alliage ont un certain nombre d'applications en génie chimique, mais ce ne sont pas les seuls catalyseurs métalliques largement utilisés pour les réactions chimiques. Les intermétalliques sont similaires aux alliages, mais au lieu que les atomes soient mélangés au hasard, les intermétalliques sont créés en plaçant spécifiquement les atomes d'un métal dans un motif répétitif avec les atomes d'un autre. En raison de leur composition atomique précise, les intermétalliques peuvent être personnalisés spécifiquement pour catalyser une réaction particulière.

Mais parce que le placement atomique dans les intermétalliques est si précis, optimiser l'agencement pour un effet catalytique maximal est un processus ardu. L'expérimentation pour développer de meilleurs intermétalliques repose en grande partie sur la méthode « deviner et vérifier ». Donc, afin de créer une méthode plus efficace, Professeur adjoint ChemE Zack Ulissi, avec ses collaborateurs à Penn State, travaillent à développer un outil de calcul qui utilise l'apprentissage automatique pour non seulement modéliser des configurations intermétalliques et les tester pour l'efficacité, mais utilise les données recueillies à partir de ces expériences pour décider quelles configurations sont les plus susceptibles de fonctionner à l'avenir. La recherche est financée par une subvention de 1,2 million de dollars du département américain de l'Énergie.

"Le domaine de la catalyse adopte l'apprentissage automatique pour aider à résoudre les défis qui nous ont échappé jusqu'à présent, " dit Ulissi. " Mais, la plupart des premiers succès ont été purement du côté informatique, nous aidant à mieux comprendre les catalyseurs que nous connaissons déjà. Mais ce projet consiste à développer de nouvelles méthodes et de nouveaux outils pour accélérer le processus de conception de la composition."

Des outils expérimentaux pour confirmer les modèles d'apprentissage automatique

Bien que l'apprentissage automatique soit un outil puissant, la capacité à confirmer expérimentalement les résultats des modèles d'apprentissage automatique est primordiale pour garantir leur fiabilité. C'est pourquoi le professeur Andrew Gellman et son groupe de recherche ont développé des méthodes expérimentales pour compléter les outils d'apprentissage automatique développés par Kitchin et Ulissi. La Fondation nationale des sciences, à travers son initiative Designing Materials to Revolutionize and Engineer Our Future (DMREF), a investi dans une équipe dirigée par Gellman pour mettre au point de nouveaux outils de recherche, qui peut préparer des centaines de compositions d'alliages simultanément et analyser simultanément leurs surfaces.

Ces outils fonctionnent en identifiant la composition optimale d'alliages à deux ou trois composants, et en les comparant aux compositions prédites par l'apprentissage automatique. Ces alliages de composants peuvent ensuite être testés expérimentalement en laboratoire pour confirmer qu'ils fonctionnent comme le modèle d'apprentissage automatique le dit. Puis, une fois que l'expérience a corroboré les prédictions du modèle pour plusieurs alliages binaires et ternaires, les compositions optimales d'autres alliages avec des composants différents peuvent être identifiées de manière fiable sur la seule base des méthodes d'apprentissage automatique.

Les chercheurs de Carnegie Mellon sont à la pointe de l'apprentissage automatique pour la catalyse, et l'étendue et la profondeur de cette recherche est toujours en expansion. Des étudiants du monde entier viennent au département de génie chimique pour étudier ce passionnant, Domaine émergent. De nouveaux projets sont financés chaque jour, y compris une récente subvention ARPA-E pour soutenir Gellman et Ulissi dans l'étude de l'apprentissage par renforcement profond en catalyse. Grâce à la collaboration poussée de ces facultés, étudiants, et fondations, CMU ChemE est sur le point d'apporter un changement sans précédent dans le domaine de la découverte de la catalyse.