En un hallazgo que podría ayudar a allanar el camino hacia combustibles más limpios y una industria química más sostenible, los investigadores de la Universidad de Michigan han utilizado el aprendizaje automático para predecir cómo las composiciones de las aleaciones metálicas y los óxidos metálicos afectan sus estructuras electrónicas.
La estructura electrónica es clave para comprender cómo se comportará el material como mediador o catalizador de reacciones químicas.
"Estamos aprendiendo a identificar las huellas dactilares de los materiales y a conectarlas con el rendimiento del material", dijo Bryan Goldsmith, profesor asistente de ingeniería química de Dow Corning.
Una mejor capacidad para predecir qué composiciones de metales y óxidos metálicos son las mejores para guiar qué reacciones podrían mejorar los procesos químicos a gran escala, como la producción de hidrógeno, la producción de otros combustibles y fertilizantes y la fabricación de productos químicos domésticos como jabón para platos.
"El objetivo de nuestra investigación es desarrollar modelos predictivos que conectarán la geometría de un catalizador con su desempeño. Tales modelos son fundamentales para el diseño de nuevos catalizadores para transformaciones químicas críticas", dijo Suljo Linic, Martin Lewis Perl CollegiateCatedrático de Ingeniería Química.
Uno de los enfoques principales para predecir cómo se comportará un material como mediador potencial de una reacción química es analizar su estructura electrónica, específicamente la densidad de estados. Esto describe cuántos estados cuánticos están disponibles para los electrones en las moléculas que reaccionany las energías de esos estados.
Por lo general, la densidad electrónica de estados se describe con estadísticas resumidas: una energía promedio o un sesgo que revela si más estados electrónicos están por encima o por debajo del promedio, etc.
"Está bien, pero esas son solo estadísticas simples. Es posible que se pierda algo. Con el análisis de componentes principales, simplemente toma todo y encuentra lo que es importante. No está simplemente tirando información", dijo Goldsmith.
El análisis de componentes principales es un método clásico de aprendizaje automático, que se enseña en cursos de introducción a la ciencia de datos. Utilizaron la densidad electrónica de estados como entrada para el modelo, ya que la densidad de estados es un buen predictor de cómo se adsorberá la superficie de un catalizador, oenlaza con átomos y moléculas que sirven como reactivos. El modelo vincula la densidad de estados con la composición del material.
A diferencia del aprendizaje automático convencional, que es esencialmente una caja negra que ingresa datos y ofrece predicciones a cambio, el equipo creó un algoritmo que pudieron entender.
"Podemos ver sistemáticamente lo que está cambiando en la densidad de estados y correlacionarlo con las propiedades geométricas del material", dijo Jacques Esterhuizen, estudiante de doctorado en ingeniería química y primer autor del artículo en Chem Catalysis.
Esta información ayuda a los ingenieros químicos a diseñar aleaciones metálicas para obtener la densidad de estados que desean para mediar una reacción química. El modelo refleja con precisión las correlaciones ya observadas entre la composición de un material y su densidad de estados, además de generar nuevas tendencias potencialespara ser explorado.
El modelo simplifica la densidad de estados en dos piezas, o componentes principales. Una pieza esencialmente cubre cómo los átomos del metal encajan entre sí. En una aleación de metal en capas, esto incluye si el metal del subsuelo separa los átomos de la superficie o aprietajuntos, y el número de electrones que el metal subsuperficial contribuye a unir. La otra parte es solo el número de electrones que los átomos del metal de la superficie pueden contribuir a unir. A partir de estos dos componentes principales, pueden reconstruir la densidad de estados en elmaterial.
Este concepto también funciona para la reactividad de los óxidos metálicos. En este caso, la preocupación es la capacidad del oxígeno para interactuar con los átomos y las moléculas, que está relacionada con la estabilidad del oxígeno de la superficie. Es menos probable que los oxígenos de superficie estables reaccionen, mientras que los oxígenos superficiales inestables son más reactivos. El modelo capturó con precisión la estabilidad del oxígeno en óxidos metálicos y perovskitas, una clase de óxidos metálicos.
El estudio fue apoyado por el Departamento de Energía y la Universidad de Michigan.
Fuente de la historia :
Materiales proporcionado por Universidad de Michigan . Nota: el contenido se puede editar por estilo y longitud.
Los científicos espaciales revelan el secreto detrás de la 'crisis energética' de Júpiter
Hubble encuentra evidencia de vapor de agua en la luna de Júpiter, Ganímedes
Hacia los sistemas de interfaz cerebro-computadora de próxima generación
Los ingenieros descubren los secretos de las aletas de pescado
Tamaño del agujero negro revelado por su patrón de alimentación