La conception de nouveaux composés ou alliages dont les surfaces peuvent être utilisées comme catalyseurs dans des réactions chimiques peut être un processus complexe qui repose largement sur l’intuition de chimistes expérimentés. Une équipe de chercheurs du MIT a conçu une nouvelle approche utilisant l’apprentissage automatique, qui supprime le besoin d’intuition et fournit des informations additionally détaillées que ce que les méthodes conventionnelles peuvent pratiquement fournir.
Par exemple, en appliquant le nouveau système à un matériau déjà étudié depuis 30 ans par des moyens conventionnels, l’équipe a découvert que la surface area du composé pourrait previous deux nouvelles configurations atomiques qui n’avaient pas été identifiées auparavant, et qu’une autre configuration observée dans des travaux antérieurs est probablement instable.
Les résultats sont décrits cette semaine dans la revue Mother nature Computational Science, dans un article rédigé par Xiaochen Du, étudiant diplômé du MIT, les professeurs Rafael Gómez-Bombarelli et Bilge Yildiz, Lin Li, membre du personnel approach du MIT Lincoln Laboratory, et trois autres.
Les surfaces des matériaux interagissent souvent avec leur environnement d’une manière qui dépend de la configuration exacte des atomes à la surface area, qui peut différer selon les events de la structure atomique du matériau qui sont exposées. Pensez à un gâteau étagé contenant des raisins secs et des noix : selon la façon exacte dont vous coupez le gâteau, différentes quantités et dispositions des couches et des fruits seront exposées sur le bord de votre tranche. L’environnement compte également. La floor du gâteau aura un element différent s’il est trempé dans du sirop, ce qui le rend humide et collant, ou s’il est mis au four, ce qui rend la area croustillante et foncée. Cela s’apparente à la façon dont les surfaces des matériaux réagissent lorsqu’elles sont immergées dans un liquide ou exposées à des températures variables.
Les méthodes habituellement utilisées pour caractériser les surfaces des matériaux sont statiques et examinent une configuration particulière parmi des millions de possibilités. La nouvelle méthode permet d’estimer toutes les variations, sur la foundation de quelques calculs de principes premiers automatiquement choisis par un processus itératif d’apprentissage automatique, afin de trouver les matériaux présentant les propriétés souhaitées.
De plus, contrairement aux méthodes actuelles classiques, le nouveau système peut être étendu pour fournir des informations dynamiques sur la manière dont les propriétés de area changent au fil du temps dans des problems de fonctionnement, par exemple lorsqu’un catalyseur favorise activement une réaction chimique, ou lorsqu’une électrode de batterie est en demand ou déchargement.
La méthode des chercheurs, qu’ils appellent cadre de reconstruction automatique de surfaces, évite d’avoir à utiliser des exemples de surfaces triés sur le volet pour entraîner le réseau neuronal utilisé dans la simulation. Au lieu de cela, il commence par un seul exemple de surface area coupée vierge, puis utilise un apprentissage actif combiné à un type d’algorithme de Monte-Carlo pour sélectionner les web-sites à échantillonner sur cette floor, en évaluant les résultats de chaque exemple de website pour guider la sélection du prochain. des websites. En utilisant moins de 5 000 calculs de principes fondamentaux, parmi des hundreds of thousands de compositions et configurations chimiques possibles, le système peut obtenir des prédictions précises des énergies de surface area pour divers potentiels chimiques ou électriques, rapporte l’équipe.
« Nous étudions la thermodynamique », explique Du, « ce qui signifie que, sous différents sorts de conditions externes telles que la pression, la température et le potentiel chimique, qui peuvent être liés à la concentration d’un selected élément, quelle est la structure la additionally steady pour la surface ? »
En principe, déterminer les propriétés thermodynamiques de la floor d’un matériau nécessite de connaître les énergies de surface area dans un arrangement atomique special spécifique, puis de déterminer ces énergies des hundreds of thousands de fois pour englober toutes les variants possibles et capturer la dynamique des processus en cours. Bien qu’il soit possible en théorie de le faire par calcul, « ce n’est tout simplement pas abordable » à l’échelle d’un laboratoire typique, explique Gómez-Bombarelli. Les chercheurs ont pu obtenir de bons résultats en examinant seulement quelques cas spécifiques, mais cela ne suffit pas pour fournir une véritable image statistique des propriétés dynamiques impliquées, dit-il.
Grâce à leur méthode, explique Du, « nous disposons de nouvelles fonctionnalités qui nous permettent d’échantillonner la thermodynamique de différentes compositions et configurations. Nous montrons également que nous sommes capables d’y parvenir à moindre coût, avec moins d’évaluations coûteuses de l’énergie mécanique quantique. Et nous sont également capables de le faire pour des matériaux as well as durs, notamment des matériaux à trois composants.
« Ce qui se fait traditionnellement dans ce domaine », dit-il, « c’est que les chercheurs, sur la base de leur instinct et de leurs connaissances, ne testent que quelques surfaces supposées. Mais nous effectuons un échantillonnage complet, et cela se fait automatiquement. » Il dit que « nous avons transformé un processus qui était autrefois not possible ou extrêmement difficile en raison du besoin d’intuition humaine. Aujourd’hui, nous avons besoin d’une intervention humaine minimale. Nous fournissons simplement la area immaculée et notre outil s’occupe du reste ».
Cet outil, ou ensemble d’algorithmes informatiques, appelé AutoSurfRecon, a été mis gratuitement à disposition par les chercheurs afin qu’il puisse être téléchargé et utilisé par n’importe quel chercheur dans le monde pour aider, par exemple, à développer de nouveaux matériaux pour catalyseurs, comme pour le creation d’hydrogène « vert » comme carburant alternatif sans émissions, ou pour de nouveaux composants de batteries ou de piles à combustible.
Par exemple, explique Gómez-Bombarelli, lors du développement de catalyseurs pour la creation d’hydrogène, « une partie du problème est que l’on ne comprend pas vraiment en quoi leur surface area est différente de leur masse au cours du cycle catalytique. Il y a donc ce décalage entre l’apparence du matériau. comme quand il est utilisé et à quoi il ressemble lorsqu’il est préparé avant d’être mis en motion.
Il ajoute qu ‘ »en fin de compte, en catalyse, l’entité responsable de l’action du catalyseur est constituée de quelques atomes exposés à la area. Il est donc très important de savoir à quoi ressemble exactement la floor à l’heure actuelle ».
Une autre application potentielle consiste à étudier la dynamique des réactions chimiques utilisées pour éliminer le dioxyde de carbone de l’air ou des émissions des centrales électriques. Ces réactions fonctionnent souvent en utilisant un matériau qui agit comme une sorte d’éponge pour absorber l’oxygène, de sorte qu’il élimine les atomes d’oxygène des molécules de dioxyde de carbone, laissant derrière lui du monoxyde de carbone, qui peut être un carburant ou une matière première chimique utile. Le développement de tels matériaux « nécessite de comprendre ce que la surface area fait avec les oxygènes et comment elle est structurée », explique Gómez-Bombarelli.
À l’aide de leur outil, les chercheurs ont étudié la disposition atomique de surface de l’oxyde de strontium et de titane, un matériau pérovskite, ou SrTiO3, qui avait déjà été analysé par d’autres à l’aide de méthodes conventionnelles pendant in addition de trois décennies, mais n’était toujours pas entièrement compris. Ils ont découvert deux nouvelles dispositions d’atomes à sa area qui n’avaient pas été signalées auparavant, et ils prédisent qu’il est en fait peu probable qu’une disposition signalée se produise.
« Cela montre que la méthode fonctionne sans intuitions », explique Gómez-Bombarelli. « Et c’est bien parce que parfois l’intuition est fausse, et ce que les gens pensaient être le cas s’avère ne pas l’être. » Ce nouvel outil, a-t-il déclaré, permettra aux chercheurs d’être as well as exploratoires et d’essayer un furthermore huge éventail de possibilités.
Maintenant que leur code a été rendu public par la communauté dans son ensemble, dit-il, « nous espérons qu’il servira d’inspiration pour des améliorations très rapides » par d’autres utilisateurs.
L’équipe comprenait James Damewood, doctorant au MIT, Jaclyn Lunger PhD ’23, qui travaille maintenant à Flagship Revolutionary, et Reisel Millan, un ancien postdoctorant qui travaille maintenant à l’Institut de technologie chimique en Espagne. Les travaux ont été soutenus par l’US Air Drive, le ministère de la Défense et la Nationwide Science Basis.
