Une technique d'apprentissage automatique a rapidement redécouvert les règles régissant les catalyseurs qui ont pris aux humains des années de calculs difficiles à révéler, et ont même expliqué un écart. L'équipe de l'Université du Michigan qui a développé la technique pense que d'autres chercheurs pourront l'utiliser pour progresser plus rapidement dans la conception de matériaux à diverses fins.

"Cela ouvre une nouvelle porte, pas seulement pour comprendre la catalyse, mais aussi potentiellement pour extraire des connaissances sur les supraconducteurs, enzymes, thermoélectrique, et photovoltaïque, " a déclaré Bryan Goldsmith, professeur assistant en génie chimique, qui a codirigé les travaux avec Suljo Linic, professeur de génie chimique.

La clé de tous ces matériaux est le comportement de leurs électrons. Les chercheurs aimeraient utiliser des techniques d'apprentissage automatique pour développer des recettes pour les propriétés matérielles qu'ils souhaitent. Pour les supraconducteurs, les électrons doivent se déplacer sans résistance à travers le matériau. Les enzymes et les catalyseurs doivent négocier les échanges d'électrons, permettre de nouveaux médicaments ou réduire les déchets chimiques, par exemple. Le thermoélectrique et le photovoltaïque absorbent la lumière et génèrent des électrons énergétiques, produisant ainsi de l'électricité.

Les algorithmes d'apprentissage automatique sont généralement des « boîtes noires, " ce qui signifie qu'ils prennent des données et crachent une fonction mathématique qui fait des prédictions basées sur ces données.

"Beaucoup de ces modèles sont si compliqués qu'il est très difficile d'en extraire des informations, " dit Jacques Esterhuizen, doctorant en génie chimique et premier auteur de l'article dans la revue Chimie . "C'est un problème parce que nous ne sommes pas seulement intéressés à prédire les propriétés des matériaux, nous voulons également comprendre comment la structure et la composition atomiques correspondent aux propriétés du matériau."

Mais une nouvelle génération d'algorithmes d'apprentissage automatique permet aux chercheurs de voir les connexions que l'algorithme établit, identifier les variables les plus importantes et pourquoi. Il s'agit d'informations essentielles pour les chercheurs qui tentent d'utiliser l'apprentissage automatique pour améliorer la conception des matériaux, y compris pour les catalyseurs.

Un bon catalyseur est comme un entremetteur chimique. Il doit pouvoir s'accrocher aux réactifs, ou les atomes et molécules que nous voulons faire réagir, pour qu'ils se rencontrent. Encore, il doit le faire de manière suffisamment lâche pour que les réactifs préfèrent se lier les uns aux autres plutôt que de coller au catalyseur.

Dans ce cas particulier, ils ont examiné des catalyseurs métalliques qui ont une couche d'un métal différent juste en dessous de la surface, connu sous le nom d'alliage souterrain. Cette couche souterraine modifie l'espacement des atomes de la couche supérieure et la disponibilité des électrons pour la liaison. En ajustant l'espacement, et donc la disponibilité des électrons, les ingénieurs chimistes peuvent renforcer ou affaiblir la liaison entre le catalyseur et les réactifs.

Esterhuizen a commencé par exécuter des simulations de mécanique quantique au National Energy Research Scientific Computing Center. Ceux-ci ont formé l'ensemble de données, montrant comment les catalyseurs d'alliages souterrains courants, y compris les métaux tels que l'or, iridium et platine, liaison avec des réactifs communs tels que l'oxygène, hydroxyde et chlore.

L'équipe a utilisé l'algorithme pour examiner huit propriétés et conditions matérielles qui pourraient être importantes pour la force de liaison de ces réactifs. Il s'est avéré que trois importaient le plus. Le premier était de savoir si les atomes à la surface du catalyseur étaient séparés les uns des autres ou comprimés ensemble par le métal différent en dessous. La seconde était le nombre d'électrons dans l'orbitale électronique responsable de la liaison, l'orbitale d dans ce cas. Et le troisième était la taille de ce nuage d'électrons d.

Les prédictions résultantes sur la façon dont différents alliages se lient à différents réactifs reflétaient principalement le modèle de la « bande d », qui a été développé au cours de nombreuses années de calculs de mécanique quantique et d'analyses théoriques. Cependant, ils ont également expliqué un écart par rapport à ce modèle en raison de fortes interactions répulsives, qui se produit lorsque des réactifs riches en électrons se lient à des métaux avec des orbitales électroniques pour la plupart remplies.