p Uma técnica de aprendizado de máquina redescobriu rapidamente as regras que governam os catalisadores que levaram anos de cálculos difíceis para serem revelados pelos humanos - e até mesmo explicou um desvio. A equipe da Universidade de Michigan que desenvolveu a técnica acredita que outros pesquisadores serão capazes de usá-la para fazer um progresso mais rápido no design de materiais para uma variedade de propósitos. p "Isso abre uma nova porta, não apenas na compreensão da catálise, mas também potencialmente para extrair conhecimento sobre supercondutores, enzimas, termelétricas, e fotovoltaica, "disse Bryan Goldsmith, um professor assistente de engenharia química, que co-liderou o trabalho com a Suljo Linic, professor de engenharia química.

p A chave para todos esses materiais é como seus elétrons se comportam. Os pesquisadores gostariam de usar técnicas de aprendizado de máquina para desenvolver receitas para as propriedades do material que desejam. Para supercondutores, os elétrons devem se mover sem resistência pelo material. Enzimas e catalisadores precisam intermediar as trocas de elétrons, permitindo novos medicamentos ou reduzindo o desperdício de produtos químicos, por exemplo. Termelétricas e fotovoltaicas absorvem luz e geram elétrons energéticos, gerando assim eletricidade.

p Os algoritmos de aprendizado de máquina são normalmente "caixas pretas, "o que significa que eles pegam dados e emitem uma função matemática que faz previsões com base nesses dados.

p "Muitos desses modelos são tão complicados que é muito difícil extrair ideias deles, "disse Jacques Esterhuizen, estudante de doutorado em engenharia química e primeiro autor do artigo na revista Chem . "Isso é um problema porque não estamos apenas interessados ​​em prever as propriedades dos materiais, também queremos entender como a estrutura atômica e a composição correspondem às propriedades do material. "

p Mas uma nova espécie de algoritmo de aprendizado de máquina permite que os pesquisadores vejam as conexões que o algoritmo está fazendo, identificar quais variáveis ​​são mais importantes e por quê. Esta é uma informação crítica para os pesquisadores que tentam usar o aprendizado de máquina para melhorar os designs de materiais, incluindo para catalisadores.

p Um bom catalisador é como um casamenteiro químico. Ele precisa ser capaz de agarrar os reagentes, ou os átomos e moléculas que queremos reagir, para que eles se encontrem. Ainda, deve fazê-lo com folga suficiente para que os reagentes se liguem uns aos outros do que grudem no catalisador.

p Neste caso particular, eles olharam para catalisadores de metal que têm uma camada de um metal diferente logo abaixo da superfície, conhecido como liga de subsuperfície. Essa camada subsuperficial muda como os átomos na camada superior são espaçados e como os elétrons estão disponíveis para a ligação. Ajustando o espaçamento, e, portanto, a disponibilidade de elétrons, engenheiros químicos podem fortalecer ou enfraquecer a ligação entre o catalisador e os reagentes.

p Esterhuizen começou executando simulações de mecânica quântica no National Energy Research Scientific Computing Center. Estes formaram o conjunto de dados, mostrando como catalisadores de liga de subsuperfície comuns, incluindo metais como ouro, irídio e platina, ligação com reagentes comuns, como oxigênio, hidróxido e cloro.

p A equipe usou o algoritmo para examinar oito propriedades e condições do material que podem ser importantes para a força de ligação desses reagentes. Descobriu-se que três eram mais importantes. A primeira era se os átomos na superfície do catalisador foram separados uns dos outros ou comprimidos pelo metal diferente abaixo. A segunda era quantos elétrons estavam no orbital de elétrons responsável pela ligação, o orbital d neste caso. E o terceiro era do tamanho daquela nuvem de elétrons d.

p As previsões resultantes de como diferentes ligas se ligam a diferentes reagentes refletem principalmente o modelo de "banda d", que foi desenvolvido ao longo de muitos anos de cálculos mecânicos quânticos e análises teóricas. Contudo, eles também explicaram um desvio desse modelo devido a fortes interações repulsivas, que ocorre quando reagentes ricos em elétrons se ligam a metais com orbitais de elétrons principalmente preenchidos.