Uma nova abordagem de aprendizado de máquina oferece insights importantes sobre a catálise, um processo fundamental que permite reduzir a emissão de gases tóxicos de exaustão ou produzir materiais essenciais como tecidos.

Em um relatório publicado em Nature Communications , Hongliang Xin, professor associado de engenharia química na Virginia Tech, e sua equipe de pesquisadores desenvolveu um modelo de aprendizagem bayesiano de quimissorção, ou Bayeschem para abreviar, com o objetivo de usar a inteligência artificial para desbloquear a natureza da ligação química nas superfícies do catalisador.

"Tudo se resume a como os catalisadores se ligam às moléculas, "disse Xin." A interação tem que ser forte o suficiente para quebrar algumas ligações químicas em temperaturas razoavelmente baixas, mas não muito forte para que os catalisadores sejam envenenados pelos intermediários da reação. Esta regra é conhecida como princípio de Sabatier em catálise. "

Compreender como os catalisadores interagem com diferentes intermediários e determinar como controlar suas forças de ligação para que eles fiquem dentro dessa 'zona de goldilocks' é a chave para projetar processos catalíticos eficientes, Disse Xin. A pesquisa fornece uma ferramenta para esse fim.

Bayeschem trabalha usando aprendizagem Bayesiana, um algoritmo de aprendizado de máquina específico para inferir modelos de dados. "Suponha que você tenha um modelo de domínio baseado em leis físicas bem estabelecidas, e você quer usá-lo para fazer previsões ou aprender algo novo sobre o mundo, "explicou Siwen Wang, um ex-aluno de doutorado em engenharia química. "A abordagem Bayesiana é aprender a distribuição dos parâmetros do modelo dado nosso conhecimento prévio e o observado, frequentemente escasso, dados, enquanto fornece a quantificação da incerteza das previsões do modelo. "

A teoria da quimissorção da banda d usada em Bayeschem é uma teoria que descreve ligações químicas em superfícies sólidas envolvendo elétrons-d que geralmente têm a forma de um trevo de quatro folhas. O modelo explica como os orbitais d dos átomos do catalisador se sobrepõem e são atraídos por orbitais de valência adsorvidos que têm uma forma esférica ou semelhante a haltere. É considerado o modelo padrão em catálise heterogênea desde seu desenvolvimento por Hammer e Nørskov na década de 1990, e embora tenha tido sucesso em explicar as tendências de ligação de muitos sistemas, Xin disse que o modelo às vezes falha devido à complexidade intrínseca das interações eletrônicas.

De acordo com Xin, Bayeschem traz a teoria da banda d a um novo nível para quantificar essas forças de interação e, possivelmente, adaptar alguns botões, como estrutura e composição, para projetar materiais melhores. A abordagem avança a teoria da banda d de quimissorção, estendendo suas capacidades de predição e interpretação das propriedades de adsorção, ambos são cruciais na descoberta do catalisador. Contudo, em comparação com os modelos de aprendizado de máquina de caixa preta que são treinados por grandes quantidades de dados, a precisão da previsão de Bayeschem ainda é passível de melhorias, disse Hemanth Pillai, um estudante de doutorado em engenharia química no grupo de Xin que contribuiu igualmente para o estudo.

"A oportunidade de apresentar modelos altamente precisos e interpretáveis ​​que se baseiam em algoritmos de aprendizado profundo e na teoria da quimissorção é altamente gratificante para atingir os objetivos da inteligência artificial em catálise, "disse Xin.