L'intégration de la science des données dans l'électrocatalyse a considérablement avancé la découverte de catalyseurs à haute performance pour les applications énergétiques durables.
Un article récent, dirigé par Hao Li de l'Advanced Institute for Materials Research (WPI-AIMR) de l'Université Tohoku, a passé en revue l'état de ce phénomène. Les résultats sont publiés dans le Journal of Catalysis.
« Our main finding was that the combination of low-dimensional data science, based on density functional theory (DFT) descriptors, and high-dimensional analytics powered by large-scale computational datasets and machine learning (ML), is accelerating the design of next-generation electrocatalysts. The approach also provides deeper insights into the structure-property relationships of catalysts, enabling faster and more efficient discovery processus », déclare Li.
Les paramètres dérivés de DFT ont traditionnellement été utilisés pour établir des modèles de volcan prédictifs pour les réactions électrochimiques, reliant les descripteurs à l'échelle atomique aux performances macroscopiques. Cette approche de faible dimension a été cruciale pour comprendre la relation entre les structures de catalyseur et leurs performances électrochimiques. Cependant, l'expansion dans la science des données à haute dimension, soutenue par des ensembles de données à grande échelle et des techniques ML, améliore la capacité de déchiffrer les relations de structure de structure plus complexes.
Les potentiels d'apprentissage automatique (MLP) émergent comme une technologie clé de ce changement, pontant la précision quantique avec évolutivité informatique. Les MLP accélèrent les calculs d'énergie d'adsorption thermodynamique et permettent des simulations plus efficaces de mécanismes catalytiques dynamiques. En conséquence, les MLP devraient jouer un rôle central dans la conception future des électrocatalyseurs, résolvant certains des défis limitant actuellement le développement du catalyseur.
Un aspect crucial révélé dans l'article a été l'intégration des informations théoriques, l'efficacité informatique et la validation expérimentale. En connectant ces éléments, la conception d'électrocatalyseurs pour des applications énergétiques critiques telles que les piles à combustible, les électrolyseurs et les batteries est accélérée, contribuant ainsi à la transition mondiale vers des solutions énergétiques durables. Les auteurs ont également discuté de la plate-forme de catalyse numérique (DIGCAT), la plus grande base de données de catalyse expérimentale et la plate-forme numérique à ce jour développée par le laboratoire Hao Li.
Li ajoute: « La science des données remodèle la façon dont nous abordons la conception des électrocatalyseurs. En tirant parti des modèles de calcul et des techniques d'apprentissage automatique, nous améliorons non seulement l'efficacité de la découverte de catalyseur mais améliorons également leurs performances dans les applications du monde réel. »
Pour l'avenir, ces développements promettent des percées dans la conception du catalyseur, ce qui rend les technologies d'énergie propre plus abordables et accessibles. Ce travail ouvre la voie à la création de catalyseurs capables de remplacer les systèmes énergétiques à base de combustibles fossiles, contribuant à réduire la dépendance à l'égard des ressources non renouvelables.
