Os catalisadores criam mudanças.

Muitos professores de ciências do ensino fundamental pingaram algumas gotas de iodeto de potássio em peróxido de hidrogênio e observaram a alegria de seus alunos quando um vulcão de espuma saiu do recipiente. Esse experimento costuma ser a maneira pela qual os jovens aprendem pela primeira vez sobre os catalisadores como algo que pode induzir uma reação química.

Mas os catalisadores podem fazer mais do que espuma. À medida que esses jovens se transformam em jovens cientistas, eles aprendem que a catálise - a aceleração de uma reação química por um catalisador - é um processo chave na criação de quase tudo. Dos plásticos que compõem nosso equipamento médico, para a gasolina em nossos carros, à tinta que dá cor às nossas casas - nada disso poderia existir sem catalisadores.

Os catalisadores vêm em todas as formas e tamanhos, e cada um tem uma função diferente. A descoberta de novos catalisadores muitas vezes significa que somos capazes de criar e aperfeiçoar novos materiais, que pode ser usado em produtos futuros, combustíveis, e quase tudo o mais. Infelizmente, descobrir e otimizar esses novos catalisadores pode ser um processo longo e difícil, envolvendo um número indisciplinado de variáveis. A dificuldade desse processo é uma das principais barreiras para a descoberta de novos catalisadores.

Por esta razão, Os engenheiros químicos da Carnegie Mellon começaram recentemente a buscar respostas em outros campos. Recentemente, tanto o Departamento de Energia quanto a Fundação Nacional de Ciência investiram na pesquisa única que Zachary Ulissi, John Kitchin, e Andrew Gellman são pioneiros, que analisa o papel que o aprendizado de máquina pode desempenhar na descoberta de novos catalisadores. Por meio do desenvolvimento e implementação de novos algoritmos de aprendizado de máquina, a taxa em que os pesquisadores podem descobrir novos, catalisadores eficazes aumentarão exponencialmente.

Composição de liga ideal para superfícies catalíticas

As células de combustível de hidrogênio são alimentadas por reações catalíticas - em particular, pelo que é conhecido como uma superfície de catalisador de liga. A eficiência da célula de combustível depende da mistura exata de metais que compõem a superfície do catalisador da liga. Mas encontrar a combinação perfeita não é fácil. É por isso que o professor John Kitchin do ChemE, com o apoio da National Science Foundation, desenvolveu um algoritmo de aprendizado de máquina exclusivo para testar rapidamente o maior número possível de combinações. Suas descobertas são detalhadas em seu artigo, "Modeling Segregation on AuPd (111) Surfaces with Density Functional Theory and Monte Carlo Simulations, "publicado no Journal of Physical Chemistry .

Ligas metálicas são usadas como catalisadores para produzir peróxido de hidrogênio a partir de hidrogênio e oxigênio para uso como um oxidante verde renovável em síntese química. No caso da pesquisa de Kitchin, essa liga é feita de ouro (Au) e paládio (Pd). Quando o paládio reage com o hidrogênio e oxigênio no reator, cria peróxido de hidrogênio, que pode ser usado como um oxidante. Infelizmente, através desta reação, o paládio também cria água, o que é indesejável para a porque desperdiça o valioso hidrogênio. Ao misturar ouro com paládio, esta reação secundária pode ser mitigada, fazendo com que o reator crie mais do peróxido de hidrogênio desejado. Mas o quão bem a liga é capaz de fazer isso depende da proporção exata de Au para Pd no catalisador - até o átomo. Verificar todas as proporções possíveis à mão levaria muito mais tempo do que qualquer grupo de pesquisadores seria capaz de gastar.

"Nossa pesquisa desenvolveu um algoritmo de aprendizado de máquina exclusivo para simular a composição de uma superfície para que possamos estimar e determinar a distribuição em escala atômica dos átomos na superfície, "Kitchin diz." Em qualquer simulação de catálise em superfícies de metal, os resultados dependem dos detalhes da superfície que está sendo modelada. Se a superfície modelada não for representativa de como a superfície seria no experimento, então os resultados da simulação também não serão representativos do que pode ser observado experimentalmente. Nossa pesquisa fornece um ponto de partida para obter um modelo mais realista da superfície para simular a catálise que é relevante para observações experimentais. "

Intermetálicos vs. ligas na busca por eficiência

As superfícies do catalisador de liga têm várias aplicações em engenharia química - mas não são os únicos catalisadores de metal amplamente usados ​​para reações químicas. Intermetálicos são semelhantes às ligas, mas em vez de os átomos serem misturados aleatoriamente, os intermetálicos são criados colocando-se especificamente átomos de um metal em um padrão repetitivo com os átomos de outro. Por causa de sua composição atômica precisa, os intermetálicos podem ser personalizados especificamente para catalisar uma reação particular.

Mas porque a colocação atômica em intermetálicos é tão precisa, otimizar o arranjo para o efeito catalítico máximo é um processo árduo. A experimentação para desenvolver melhores intermetálicos depende amplamente do método de 'adivinhar e verificar'. Portanto, para criar um método mais eficiente, Professor assistente do ChemE, Zack Ulissi, junto com seus colaboradores na Penn State, estão trabalhando para desenvolver uma ferramenta computacional que usa aprendizado de máquina não apenas para modelar configurações intermetálicas e testá-las quanto à eficiência, mas usa os dados coletados desses experimentos para decidir quais configurações têm mais probabilidade de funcionar no futuro. A pesquisa é apoiada por uma doação de US $ 1,2 milhão do Departamento de Energia dos EUA.

"O campo da catálise está adotando o aprendizado de máquina para ajudar a resolver os desafios que nos escaparam até agora, "diz Ulissi." Mas, a maioria dos primeiros sucessos ocorreu puramente no lado computacional - ajudando-nos a entender melhor os catalisadores que já conhecemos. Mas este projeto tem tudo a ver com o desenvolvimento de novos métodos e ferramentas para acelerar o processo de design de composição. "

Ferramentas experimentais para confirmar modelos de aprendizado de máquina

Embora o aprendizado de máquina seja uma ferramenta poderosa, a capacidade de confirmar experimentalmente os resultados dos modelos de aprendizado de máquina é fundamental para garantir sua confiabilidade. É por isso que o professor Andrew Gellman e seu grupo de pesquisa desenvolveram métodos experimentais para complementar as ferramentas de aprendizado de máquina desenvolvidas por Kitchin e Ulissi. The National Science Foundation, por meio de sua iniciativa Projetando Materiais para Revolucionar e Projetar Nosso Futuro (DMREF), investiu em uma equipe liderada por Gellman para ser pioneira em novas ferramentas de pesquisa, que pode preparar centenas de composições de ligas simultaneamente e simultaneamente analisar suas superfícies.

Essas ferramentas funcionam identificando a composição ideal de duas ou três ligas componentes, e compará-los com as composições previstas pelo aprendizado de máquina. Essas ligas de componentes podem então ser testadas experimentalmente em laboratório para confirmar se operam como o modelo de aprendizado de máquina afirma que funcionam. Então, uma vez que o experimento tenha corroborado as previsões do modelo para várias ligas binárias e ternárias, as composições ideais de outras ligas com diferentes componentes podem ser identificadas de forma confiável com base nos métodos de aprendizado de máquina apenas.

Os pesquisadores da Carnegie Mellon estão na vanguarda do aprendizado de máquina para catálise, e a amplitude e a profundidade dessa pesquisa estão sempre se expandindo. Estudantes de todo o mundo vêm ao departamento de Engenharia Química para estudar este emocionante, campo emergente. Novos projetos são financiados todos os dias, incluindo uma recente doação da ARPA-E para apoiar Gellman e Ulissi no estudo da aprendizagem por reforço profundo em catálise. Graças à colaboração avançada desses professores, alunos, e fundações, CMU ChemE está prestes a trazer mudanças sem precedentes para o campo da descoberta da catálise.