密歇根大学的研究人员利用机器学习来预测金属合金和金属氧化物的成分如何影响其电子结构,这一发现可能有助于为更清洁的燃料和更可持续的化学工业铺平道路。
电子结构是了解材料如何作为化学反应的介体或催化剂发挥作用的关键。
“我们正在学习识别材料的指纹并将它们与材料的性能联系起来,”道康宁化学工程助理教授 Bryan Goldsmith 说。
更好地预测哪种金属和金属氧化物成分最适合指导哪些反应可以改善大规模化学过程,如制氢、其他燃料和肥料的生产以及家用化学品(如洗洁精)的制造。
“我们研究的目标是开发预测模型,将催化剂的几何形状与其性能联系起来。这些模型对于设计用于关键化学转化的新催化剂至关重要,”Martin Lewis Perl 大学教授 Suljo Linic 说。化学工程。
预测材料如何作为化学反应的潜在介质表现的主要方法之一是分析其电子结构,特别是状态密度。这描述了有多少量子态可用于反应分子中的电子以及这些态的能量。
通常,状态的电子密度是用汇总统计来描述的——平均能量或显示更多电子状态是高于还是低于平均值的偏斜,等等。
“没关系,但这些只是简单的统计数据。你可能会遗漏一些东西。通过主成分分析,你只需吸收一切并找到重要的东西。你不仅仅是扔掉信息,”戈德史密斯说。
主成分分析是一种经典的机器学习方法,在介绍性数据科学课程中讲授。他们使用电子态密度作为模型的输入,因为态密度是催化剂表面如何吸附或结合用作反应物的原子和分子的良好预测指标。该模型将状态密度与材料的成分联系起来。
与传统的机器学习本质上是一个输入数据并提供预测的黑匣子不同,该团队制作了一种他们可以理解的算法。
“我们可以系统地看到状态密度的变化,并将其与材料的几何特性相关联,”化学工程博士生、Chem Catalysis 论文的第一作者 Jacques Esterhuizen 说。
此信息可帮助化学工程师设计金属合金,以获得他们想要的用于介导化学反应的状态密度。该模型准确地反映了材料成分与其状态密度之间已经观察到的相关性,并发现了有待探索的新潜在趋势。
该模型将状态密度简化为两部分或主成分。一件基本上涵盖了金属原子如何组合在一起。在分层金属合金中,这包括表面下金属是将表面原子拉开还是将它们挤压在一起,以及表面下金属有助于键合的电子数量。另一部分只是表面金属原子可以促成键合的电子数量。从这两个主要成分,他们可以重建材料中的状态密度。
这个概念也适用于金属氧化物的反应性。在这种情况下,关注的是氧与原子和分子相互作用的能力,这与表面氧的稳定性有关。稳定的表面氧不太可能发生反应,而不稳定的表面氧更具反应性。该模型准确地捕捉了金属氧化物和钙钛矿(一类金属氧化物)中的氧稳定性。
该研究得到了能源部和密歇根大学的支持。