Une nouvelle approche d'apprentissage automatique offre des informations importantes sur la catalyse, un processus fondamental qui permet de réduire l'émission de gaz d'échappement toxiques ou de produire des matériaux essentiels comme le tissu.

Dans un rapport publié dans Communication Nature , Hongliang Xin, professeur agrégé de génie chimique à Virginia Tech, et son équipe de chercheurs ont développé un modèle d'apprentissage bayésien de la chimisorption, ou Bayeschem en abrégé, visant à utiliser l'intelligence artificielle pour découvrir la nature de la liaison chimique sur les surfaces des catalyseurs.

"Tout se résume à la façon dont les catalyseurs se lient aux molécules, " a déclaré Xin. " L'interaction doit être suffisamment forte pour rompre certaines liaisons chimiques à des températures raisonnablement basses, mais pas trop fort pour que les catalyseurs soient empoisonnés par les intermédiaires de réaction. Cette règle est connue sous le nom de principe de Sabatier en catalyse."

Comprendre comment les catalyseurs interagissent avec différents intermédiaires et déterminer comment contrôler leurs forces de liaison afin qu'ils se trouvent dans cette «zone de boucle d'or» est la clé pour concevoir des processus catalytiques efficaces, dit Xin. La recherche fournit un outil à cette fin.

Bayeschem fonctionne en utilisant l'apprentissage bayésien, un algorithme d'apprentissage automatique spécifique pour déduire des modèles à partir de données. "Supposons que vous ayez un modèle de domaine basé sur des lois physiques bien établies, et vous voulez l'utiliser pour faire des prédictions ou apprendre quelque chose de nouveau sur le monde, " a expliqué Siwen Wang, un ancien doctorant en génie chimique. "L'approche bayésienne consiste à apprendre la distribution des paramètres du modèle compte tenu de nos connaissances a priori et de l'observation, souvent rare, Les données, tout en fournissant une quantification de l'incertitude des prédictions du modèle."

La théorie de la chimisorption en bande d utilisée à Bayeschem est une théorie décrivant la liaison chimique sur des surfaces solides impliquant des électrons d qui ont généralement la forme d'un trèfle à quatre feuilles. Le modèle explique comment les orbitales d des atomes de catalyseur se chevauchent et sont attirées par les orbitales de valence de l'adsorbat qui ont une forme sphérique ou en forme d'haltère. Il est considéré comme le modèle standard en catalyse hétérogène depuis son développement par Hammer et Nørskov dans les années 1990, et bien qu'il ait réussi à expliquer les tendances de liaison de nombreux systèmes, Xin a déclaré que le modèle échoue parfois en raison de la complexité intrinsèque des interactions électroniques.

Selon Xin, Bayeschem porte la théorie de la bande d à un nouveau niveau pour quantifier ces forces d'interaction et éventuellement adapter certains boutons, comme la structure et la composition, pour concevoir de meilleurs matériaux. L'approche fait avancer la théorie de la bande d de la chimisorption en étendant ses capacités de prédiction et d'interprétation des propriétés d'adsorption, qui sont tous deux cruciaux dans la découverte de catalyseurs. Cependant, par rapport aux modèles d'apprentissage automatique de la boîte noire qui sont entraînés par de grandes quantités de données, la précision des prédictions de Bayeschem peut encore être améliorée, dit Hemanth Pillai, un étudiant au doctorat en génie chimique du groupe de Xin qui a contribué à parts égales à l'étude.

"L'opportunité de proposer des modèles très précis et interprétables qui s'appuient sur des algorithmes d'apprentissage en profondeur et la théorie de la chimisorption est très enrichissante pour atteindre les objectifs de l'intelligence artificielle en catalyse, " dit Xin.