В захватывающем мире химии исследователи сталкиваются с захватывающей задачей: найти идеальные катализаторы для ускорения важных реакций. Одна из таких реакций, реакция выделения кислорода (OER), играет решающую роль в различных процессах чистой энергетики, таких как производство зеленого водорода, восстановление азота для производства удобрений и даже преобразование углекислого газа в полезные виды топлива. Однако у OER есть небольшая особенность — он немного вялый, и для его запуска требуется дополнительный энергетический толчок. Катализаторы стремятся уменьшить размер этого толчка. Итак, как ученые находят катализаторы, которые могут раскрыть весь потенциал реакции OER? Познакомьтесь с машинным обучением (ML), инструментом, который быстро становится повсеместным в нашей повседневной жизни и теперь является ключом к быстрому поиску и обнаружению доступных и мощных катализаторов.

Преодоление проблем: потребность в доступных и долговечных высокоэффективных катализаторах

Оксиды иридия и рутения в настоящее время являются промышленным вариантом для OER, но они имеют высокую цену. Исследователи стремятся найти новые катализаторы, которые не только экономически эффективны, но и работают так же хорошо, как их дорогие аналоги. Однако есть одна особенность: жесткая кислая среда коммерческих реакторов, в которых протекает реакция OER, приводит к разрушению катализаторов. Таким образом, кислая среда является криптонитом для наших супергероев-катализаторов. Новые катализаторы должны изготавливаться из материалов, доступных по цене и способных выдерживать агрессивную кислотную среду, не слишком жертвуя при этом своими характеристиками.

Суперсила высокопроизводительного DFT: выход на охоту за катализаторами

Чтобы решить эту проблему, ученые традиционно обращались к вычислительной технике, известной как высокопроизводительная теория функционала плотности (DFT), где тысячи компьютеров решают сложные уравнения, которые предоставляют нам информацию о свойствах материалов. Исследователи использовали этот мощный инструмент для проверки огромного количества потенциальных катализаторов, исследуя бесчисленные комбинации металлов и оксидов металлов. Они искали кандидатов, которые могли бы затмить дорогие чемпионы, оксиды иридия и рутения, сохраняя при этом стабильность в суровых кислотных условиях.

Битва вычислительных затрат: объединение усилий с машинным обучением

К сожалению, высокопроизводительный DFT требует огромных вычислительных затрат, что затрудняет исследование различных комбинаций различных металлов и примесей в нем. Чтобы преодолеть эту проблему, исследователи объединились с новым союзником — машинным обучением (ML). Обучая модели машинного обучения с использованием части данных, полученных с помощью высокопроизводительного DFT, исследователи могут прогнозировать производительность оставшихся катализаторов, экономя драгоценное время и вычислительные ресурсы.

Заключение: заря каталитической революции

В то время как катализатор OER без драгоценных металлов до сих пор остается недостижимым, динамичный дуэт высокопроизводительного DFT и машинного обучения предоставляет ученым инструменты для реализации этой мечты в ближайшем будущем. Сочетая эффективность высокопроизводительного DFT с эффективными прогностическими способностями ML, исследователи могут идентифицировать катализаторы, обладающие необычайной силой — способностью превосходно работать и оставаться стабильными в сложных условиях. Это сотрудничество между химией и информатикой обещает произвести революцию в конструкции катализаторов и проложить путь к новаторским достижениям в области возобновляемых источников энергии и не только. Итак, да начнется охота на супергероев-катализаторов!

Ссылки и дополнительная литература:

  1. Шатене М., Полле Б.Г., Декель Д.Р., Диониги Ф., Десер Дж., Милле П., Браатц Р.Д., Базант М.З., Эйкерлинг М., Стаффелл И., Балкомб П. , Шао-Хорн, Ю., и Шефер, Х. (2022). Электролиз воды: от хрестоматийных знаний до новейших научных стратегий и промышленных разработок. хим. соц. Обр., 51(11), 4583–4762. Королевское химическое общество. https://doi.org/10.1039/D0CS01079K.
  2. Динич Ф., Сингх К., Донг Т., Резазаде М., Ван З., Хосрозаде А., Юань Т., Возный О. (2021). Прикладное машинное обучение для разработки функциональных материалов нового поколения. Передовые функциональные материалы. Впервые опубликовано: 13 сентября 2021 г. https://doi.org/10.1002/adfm.202104195.
  3. Ли, З., Ачени, Л.К., и Синь, Х. (2020). Адаптивная стратегия машинного обучения для ускорения открытия перовскитных электрокатализаторов. Катализ ACS, 10 (7), 4377–4384. Дата публикации: 19 марта 2020 г. https://doi.org/10.1021/acscatal.9b05248.
  4. Чжун М., Тран К., Мин Ю., Ван С., Ван З., Динь С.-Т., Де Луна П., Ю З., Расули А. С., Бродерсен, П., Сун С., Возный О., Тан К.-С., Аскерка М., Че Ф., Лю М., Сейфитокалдани А., Панг Ю., Ло С. -C., Ип, А., Улисси, З., и Сарджент, Э. Х. (2020). Ускоренное открытие электрокатализаторов CO2 с использованием активного машинного обучения. Природа, 581 (7807), 178–183. https://doi.org/10.1038/s41586-020-2242-8.