Os engenheiros químicos da Rice University e da Pennsylvania State University demonstraram que a combinação de aprendizado de máquina e química quântica pode economizar tempo e despesas no projeto de novos catalisadores.

"Grandes quantidades de dados são gerados na catálise computacional, e o campo está começando a perceber que as ferramentas de ciência de dados podem ser extremamente valiosas para filtrar dados de alto volume para procurar correlações fundamentais que, de outra forma, poderíamos perder, "disse Thomas Senftle de Rice, co-autor de um novo estudo publicado online esta semana em Catálise Natural . "É disso que trata este artigo. Combinamos ferramentas bem estabelecidas para geração e análise de dados de uma forma que nos permitiu procurar correlações que de outra forma não teríamos notado."

Um catalisador é uma substância que acelera as reações químicas sem ser consumida por elas. Os conversores catalíticos em automóveis, por exemplo, contêm metais como platina e paládio que auxiliam nas reações que decompõem os poluentes atmosféricos. Os catalisadores são um pilar das indústrias química e farmacêutica, e o mercado global de catalisadores é estimado em US $ 20 bilhões por ano.

Os metais usados ​​em conversores catalíticos normalmente fazem parte de uma malha de arame. Conforme a exaustão quente passa pela malha, os átomos de metal na superfície catalisam reações que quebram algumas moléculas nocivas em subprodutos inofensivos.

"Essa é uma reação em fase gasosa, "Senftle disse sobre o exemplo do conversor catalítico." Há uma certa concentração de espécies em fase gasosa que saem do motor. Queremos um catalisador que converta poluentes em produtos inofensivos, mas carros diferentes têm motores diferentes que produzem composições diferentes desses produtos, portanto, um catalisador que funciona bem em uma situação pode não funcionar tão bem em outra. "

A prática de fluir os reagentes através de um catalisador também é comum na indústria. Em muitos casos, um metal catalítico é ligado a uma superfície sólida e os reagentes fluem sobre a superfície, tanto como um líquido quanto como um gás. Para processos industriais que fazem toneladas de produtos por ano, melhorar a eficiência do catalisador de metal em até mesmo alguns por cento pode se traduzir em milhões de dólares para as empresas.

"Se você tiver uma imagem clara das propriedades do catalisador de metal e do material do substrato ao qual o metal se liga, que permite basicamente restringir sua pesquisa no início, "Senftle disse." Você pode estreitar seu espaço de design usando o computador para explorar quais materiais têm probabilidade de funcionar bem sob certas condições. "

Senftle, professor assistente de engenharia química e biomolecular na Rice, começou a pesquisa recém-publicada enquanto ainda era um estudante de graduação na Penn State em 2015, juntamente com os autores principais Nolan O'Connor e A.S.M. Jonayat e co-autor Michael Janik. Eles começaram usando a teoria do funcional da densidade para calcular as forças de ligação de átomos individuais de muitos tipos diferentes de metais com uma variedade de substratos de óxido de metal.

"A energia de ligação entre o metal e o substrato é de particular interesse porque quanto mais forte a ligação, menos provável é que o átomo de metal se desloque, "Janik disse." Se pudermos controlar essa energia de ligação, podemos adaptar a distribuição de tamanho dessas partículas de metal, e essa, por sua vez, vai impactar a reação geral que eles podem catalisar. "

O'Connor disse, "Estávamos curiosos sobre as propriedades de átomos de metal individuais e superfícies de óxido que criavam pares de forte interação, que é uma propriedade que podemos usar para projetar catalisadores robustos. "

Junto com a lista de energias de ligação, a equipe tinha um catálogo de cerca de 330, 000 propriedades adicionais para cada uma das combinações metal-substrato, incluindo fatores como energia de formação de óxido, número de coordenação, energia de formação de liga e energia de ionização.

"O algoritmo de aprendizado de máquina procura as combinações desses descritores que se correlacionam com os dados observados sobre as energias de ligação, "Jonayat disse." Basicamente, nos permite perguntar, 'De todos esses descritores, como podemos encontrar aqueles que se correlacionam com o comportamento observado no qual estamos interessados? "

Ele disse que a identificação de tais correlações pode agilizar o projeto do catalisador, tornando possível prever como os materiais se comportarão antes dos testes de laboratório que podem ser caros e demorados. O aprendizado de máquina também pode identificar efeitos interessantes que merecem um estudo adicional.

Por exemplo, Senftle disse que uma correlação que continuou aparecendo no estudo é a importância da interação direta entre os metais catalíticos e os átomos do metal no suporte. Ele disse que isso era inesperado porque os metais normalmente têm uma forte afinidade para se ligar ao oxigênio, ao invés de se ligar uns aos outros.

"Originalmente, a ideia era que o que importava era o oxigênio, "Senftle disse." Estávamos interessados ​​em determinar o quão bem esses dois metais diferentes compartilhavam o oxigênio. Mas essa interação direta entre os próprios metais continuou aparecendo em nossos cálculos, e desempenhou um papel muito maior em ditar o comportamento geral do sistema do que havíamos previsto. "

Senftle disse que gostaria de explorar a complexidade das simulações em pesquisas futuras.

"Aqui estávamos examinando as interações entre os metais e os suportes em um ambiente puro, sem moléculas de água ou impurezas de qualquer tipo, "disse ele." Na realidade, catalisadores são usados ​​em ambientes de reação muito complicados, e gostaríamos de examinar como essas tendências mudam nessas configurações. Por exemplo, se este fosse um ambiente aquoso, água ou água dissociada provavelmente se adsorveria na superfície. Isso vai impactar a interação, porque agora você tem outro jogador que está compartilhando a densidade de elétrons e compartilhando os oxigênios da superfície. "