O aprendizado de máquina acelera a descoberta de catalisadores de óxido metálico de alto desempenho
Fluxo de trabalho do processo analítico baseado em ML empregado para explorar catalisadores ORR multicomponentes sob condições alcalinas. Crédito:Journal of Materials Chemistry A (2024). DOI:10.1039/D4TA01884B Os pesquisadores aproveitaram o poder da inteligência artificial para avançar significativamente na descoberta e otimização de eletrocatalisadores de óxido metálico multicomponentes para a reação de redução de oxigênio (ORR).
Este avanço tem o potencial de revolucionar a eficiência e a acessibilidade das tecnologias de energia renovável, tais como células de combustível e baterias de hidrogénio, abrindo caminho para um futuro energético sustentável.
Detalhes das descobertas foram publicados no Journal of Materials Chemistry A em 23 de abril de 2024.
O estudo analisou 7.798 catalisadores ORR de óxido metálico distintos de experimentos de alto rendimento. Esses catalisadores, contendo elementos como níquel, ferro, manganês, magnésio, cálcio, lantânio, ítrio e índio, foram testados em diferentes potenciais para avaliar seu desempenho.
Usando o método de aprendizado de máquina XGBoost, os pesquisadores construíram um modelo preditivo para identificar possíveis novas composições sem a necessidade de testes experimentais exaustivos.
A pesquisa descobriu que um grande número de elétrons itinerantes e alta entropia de configuração são características críticas para alcançar alta densidade de corrente em ORR. Para densidade de corrente de 0,8 VRHE, os sistemas ternários Mn – Ca – La, Mn – Ca – Y e Mn – Mg – Ca mostraram potencial significativo para aplicações em células a combustível de hidrogênio. Em 0,63 VRHE, os sistemas Mn – Fe – X (X =Ni, La, Ca, Y) e Mn – Ni – X (X =Ca, Mg, La, Y) foram identificados como candidatos promissores para a produção de peróxido de hidrogênio.
(a–b) Comparação de (a) R
2
e (b) RMSE entre os modelos construídos por RNA, XGBoost e LightGBM nos conjuntos de treinamento e teste. (c – d) Comparação entre os valores experimentais e previstos pelo XGBoost nos conjuntos de (c) treinamento e (d) teste. A unidade de RMSE é lg(µA·cm
-2
). Crédito:Journal of Materials Chemistry A (2024). DOI:10.1039/D4TA01884B
“Nossa abordagem inovadora usando aprendizado de máquina acelera o projeto e a otimização de catalisadores multicomponentes, economizando tempo e recursos consideráveis”, diz Xue Jia, professor assistente do Instituto Avançado de Pesquisa de Materiais e um dos coautores do estudo.
“Ao identificar eficientemente composições de catalisadores de alto desempenho, demonstramos um método transformador que pode levar a avanços significativos em tecnologias de energia sustentável.
Catalisadores melhorados podem melhorar a eficiência e reduzir o custo das tecnologias de energia renovável, promovendo a sua adoção mais ampla e reduzindo a dependência de combustíveis fósseis. Sistemas de armazenamento de energia mais eficientes podem reduzir os custos globais, tornando as energias renováveis mais acessíveis e contribuindo para a conservação ambiental.
A aplicação bem-sucedida do aprendizado de máquina neste estudo abre um precedente para pesquisas futuras, potencialmente levando a avanços em vários campos científicos. Catalisadores ORR melhorados também podem aumentar a produção de peróxido de hidrogênio, amplamente utilizado para desinfecção e processos industriais, beneficiando a saúde e a segurança públicas.
“Esta pesquisa ressalta o incrível potencial da inteligência artificial na aceleração do projeto de catalisadores e na descoberta de materiais”, acrescenta Jia. "Esperamos que nossas descobertas tornem possíveis avanços futuros em tecnologias de energia sustentável, que são cruciais para enfrentar os desafios energéticos globais."
