机器学习品种的二氧化碳转化催化剂

混合催化剂的具体结构至关重要,将决定它的功能有多好,和测试所有可能的结构——甚至理论上——通常是不可能的。现在,研究人员在加拿大,美国和中国已经使用机器学习寻找最有前途的候选人和用它来设计一种隐形材料,可以催化反应以前所未有的感应电流的可持续化学工业效率的关键。一个独立的研究领域,然而,这个演示的价值问题。

催化是减少的关键执行工业化学反应所需的能量和化学家开发了日益复杂的方法与精确控制合成催化剂表面结构。帮助选择催化剂实验可能合成,理论家们已经开发和完善计算建模工具,如密度泛函理论指向有前途的候选人。不幸的是,这些强大的模式面临着自己的资源限制:“假设是相对简单的一个表面或一篇作文和评估其活动,“化学工程师说圣扎迦利Ulissi美国卡内基梅隆大学的。“但是,如果我得到一个从超级计算资源分配,我可以跑几百或几千计算数以百万计的可能性,我怎么知道是什么值得关注吗?”

在新研究中,研究人员由Ulissi和泰德·萨金特来自加拿大多伦多大学开发出一种机器学习算法,用它来找到最有前途的催化剂的电化学还原二氧化碳乙烯——一个关键平台化学用于生产聚乙烯以及洗涤剂、润滑剂和无数其他工业化学品。“真正的唯一方法证明你加速去建立一些有用的东西,”泰德•萨金特说在加拿大多伦多大学。我们决定把这个应用到一个非常重要的问题,需要继续需要大的进步表现。

主要的催化剂是纯铜,但研究人员研究了添加其他金属的影响。他们的算法选择Cu-Al网站铜原子包围高活性和选择性减少二氧化碳在氢氧化钾电解时乙烯。研究人员使用这些信息,与其他理论和实验优化技术,生产纳米多孔,de-alloyed copper-aluminium催化剂与感应电流的效率高达80%,超过35%的两倍纯铜显示在相同的条件下。的理论有很多利益(在机器学习)在过去两到三年,但这是第一次真正的大实验示范,“Ulissi说。我们已经跟进合作与泰德的集团对其他化学物质电池的研究。

Matthew Kanan在美国斯坦福大学,一个electrochemist,说,“机器学习应该部署催化”。但不服气说研究和催化剂的有效性仍然“待定”。测量的感应电流的电化学氢氧化钾减少二氧化碳的效率是没有意义的,他说:“如果你氢氧化钾暴露在空气中,它会随着时间的推移变得碳酸钾。如果你让它流的二氧化碳,它将成为碳酸钾快很多。他们已经画了一个盒子在电化学部分:他们甚至不量化多少碳进入氢氧根和进入乙烯是多少,但我的猜测是,更多的是进入氢氧根。

萨金特承认这一问题,但相信应该是可以克服的:“这个领域正朝着系统称为膜电极组件的方向(MEA)没有这个问题与电解液碳化,”他说。许多令人兴奋的里程碑在这些碱性系统得到满足,但这意味着系统经常能够在一年内赶上并提供一个更健壮,industrialisable解决方案。”