Les chercheurs de Skoltech et leurs collègues de Chine et d'Allemagne ont présenté un nouvel algorithme de recherche pour les catalyseurs en alliage à un seul atome (SAAC) qui a trouvé plus de 200 candidats non encore signalés. Leur travail fournit une recette pour trouver les meilleurs SAAC pour diverses applications. L'article a été publié dans la revue Communication Nature .

Catalyseurs mono-alliage, ou SAAC, où des atomes uniques de métaux rares et coûteux tels que le platine sont dispersés sur un hôte métallique inerte, sont très efficaces et sélectifs dans de nombreuses réactions catalytiques, y compris les hydrogénations sélectives, déshydrogénations, réactions de couplage C−C et C−O, PAS de réduction, et l'oxydation du CO. C'est pourquoi ils sont utilisés dans des réactions d'importance industrielle telles que l'hydrogénation de molécules organiques pour transformer des produits chimiques en produits de plus grande valeur.

"L'efficacité des SAAC dans ces réactions est attribuée à un effet synergique des composants d'alliage qui assurent une dissociation efficace des molécules d'hydrogène sans liaison excessive des atomes d'hydrogène. Cependant, il n'y a pas tellement de SAAC connus qui sont stables et en même temps catalytiquement actifs, principalement parce que leur conception jusqu'à présent a largement reposé sur des essais et des erreurs. Même au sein des alliages binaires, il existe plusieurs milliers de SAAC possibles avec différentes combinaisons de métaux et coupes de surface. Cela rend les approches par essais et erreurs extrêmement inefficaces, " Sergueï Levchenko, Professeur assistant au Skoltech Center for Energy Science and Technology, dit.

Levchenko et ses collègues ont pu identifier des modèles d'apprentissage automatique précis et fiables basés sur des calculs des premiers principes pour la description de l'énergie de liaison de l'hydrogène, énergie de dissociation, et l'énergie de ségrégation des atomes invités pour les SAAC. Cela les a amenés à faire une prédiction beaucoup plus rapide (par un facteur de mille) mais fiable des performances catalytiques de milliers de SAAC.

"Le modèle évalue correctement les performances des SAAC testés expérimentalement. En scannant plus de cinq mille SAAC avec notre modèle, nous avons identifié plus de deux cents nouveaux SAAC avec à la fois une stabilité et des performances améliorées par rapport aux existants, " écrivent les auteurs.

Ils ont utilisé l'intelligence artificielle pour extraire des paramètres importants (descripteurs) des données de calcul qui sont en corrélation avec les performances catalytiques des SAAC et sont en même temps très rapides à calculer. En plus des modèles pratiques, les auteurs ont également développé une nouvelle méthodologie d'apprentissage automatique pour identifier des combinaisons de propriétés physiques des matériaux qui se traduisent par des performances catalytiques exceptionnelles, extrayant ainsi des connaissances et une compréhension physiques à partir des données.

"La méthodologie développée peut être facilement adaptée à la conception de nouveaux matériaux fonctionnels pour diverses applications, dont l'électrocatalyse (réactions de réduction d'oxygène et de dégagement d'hydrogène), réservoirs de carburant, reformage du méthane, et réaction de conversion eau-gaz, " note Levchenko.