Os pesquisadores estão abrindo o caminho para a dependência total de energia renovável enquanto estudam maneiras de substituir os combustíveis fósseis em grande e pequena escala. Um caminho promissor é converter produtos químicos simples em valiosos usando eletricidade renovável, incluindo processos como redução de dióxido de carbono ou divisão de água. Mas, para escalar esses processos para uso generalizado, precisamos descobrir novos eletrocatalisadores - substâncias que aumentam a taxa de uma reação eletroquímica que ocorre na superfície de um eletrodo. Para fazer isso, pesquisadores da Carnegie Mellon University estão procurando novos métodos para acelerar o processo de descoberta:aprendizado de máquina.

Zack Ulissi, professor assistente de engenharia química (ChemE), e seu grupo está usando o aprendizado de máquina para orientar a descoberta do eletrocatalisador. À mão, os pesquisadores passam horas fazendo cálculos de rotina em materiais que podem não funcionar. A equipe de Ulissi criou um sistema que automatiza esses cálculos de rotina, explora um grande espaço de busca, e sugere novas ligas com propriedades promissoras para eletrocatálise.

"Isso nos permite gastar nosso tempo fazendo perguntas científicas, gostar, 'Como você prevê as propriedades de algo, '' Qual é o modelo termodinâmico, '' Qual é o modelo do sistema, 'ou' Como você representa o sistema? '"disse Ulissi.

Os pesquisadores testaram seu método na descoberta de intermetálicos que poderiam ser bons eletrocatalisadores para redução de dióxido de carbono e evolução de hidrogênio - duas reações muito complexas. Um bom eletrocatalisador é barato, seletivo, ativo, eficiente, e estável. Muitos eletrocatalisadores são feitos de uma classe de metais chamados intermetálicos, que quando colocados juntos têm uma estrutura cristalina definida. Com um sistema de aprendizado de máquina, ele pode selecionar rapidamente combinações de intermetálicos para uma ou mais propriedades associadas a bons eletrocatalisadores.

Ulissi e Kevin Tran, um ChemE Ph.D. aluna, tem um sistema de scripts que todas as noites pesquisa um banco de dados de milhões de sites de adsorção em milhares de intermetálicos, ou onde outro elemento poderia aderir. Com base nessa pesquisa, o sistema cria um modelo de aprendizado de máquina para prever em qual site os cálculos devem ser executados no dia seguinte. Em seguida, executa os cálculos, que revelam mais sobre as propriedades de cada site intermetálico, e os resultados são armazenados em um banco de dados e usados ​​para retreinar o modelo. Em seguida, o loop se repete, cada vez encontrando materiais melhores e mais interessantes. Desta maneira, ele desconta quaisquer materiais que não seriam bons catalisadores, mas dá ao pesquisador a confiança de que os materiais sugeridos pelo sistema não levarão a um beco sem saída.

"O que construímos é uma máquina inteligente, mas nosso objetivo não é realmente uma máquina inteligente, "disse Tran, um co-autor do estudo. "Nosso objetivo é criar uma máquina que nos forneça dados. Então, realmente usamos a máquina como fazendeiro, para coletar dados de forma inteligente. "

Embora um ser humano possa estudar cerca de 10 a 20 novas energias por semana, a máquina pode estudar centenas por dia. Antes do sistema automatizado, os pesquisadores teriam que reduzir o espaço a uma classe de materiais e trabalhar nesse espaço. Agora, eles podem ter uma abordagem mais holística.

Por meio deste estudo, publicado em Catálise Natural , os pesquisadores têm uma lista de materiais e combinações intermetálicas que os experimentalistas deveriam experimentar, tanto para a evolução do hidrogênio quanto para a redução do dióxido de carbono. Os experimentos determinarão o que serão bons eletrocatalisadores para grande escala.

"Não acho que as pessoas tenham feito assim antes." disse Ulissi. "Neste ponto, estamos apenas restringindo o que os experimentalistas devem se concentrar. Fomos capazes de mostrar que o espaço é maior do que as pessoas pensavam. Encontramos ideias interessantes - por exemplo, se você pegar duas coisas que são muito fracas, elas podem realmente tornar algo mais forte . Não tínhamos ideia se íamos encontrar resultados como esse ou não. "