Certains des résultats les plus encourageants pour les catalyseurs améliorant la réaction proviennent d'un matériau en particulier: TIN (SN). Bien que l'utilité globale de SN en tant que catalyseur soit bien connue, sa relation structure-performance sous-jacente est mal comprise, ce qui limite notre capacité à maximiser son potentiel.
Pour combler ce manque de connaissances, les chercheurs de l'Advanced Institute for Materials Research (WPI-AIMR) de l'Université Tohoku ont utilisé l'apprentissage automatique pour caractériser l'activité du catalyseur SN. L'œuvre est publiée dans la revue Matériaux fonctionnels avancés.
Les simulations très précises pourraient changer la donne qui aident les chercheurs rapidement et simplement à concevoir des catalyseurs complexes de haute performance.
« La raison pour laquelle ces catalyseurs sont si importants est qu'ils peuvent convertir le dioxyde de carbone nocif – Co2—Diveaux à base de carbone à l'aide d'électricité renouvelable, offrant une solution durable aux pénuries d'énergie et au changement climatique « , explique Hao Li de WPI-AIMR.
« Le but de cette recherche est de guider notre société vers la neutralité du carbone. »
Pour examiner de près les catalyseurs SN, ils ont utilisé un potentiel d'apprentissage automatique pour effectuer des simulations de dynamique moléculaire à grande échelle, capturant avec succès les configurations reconstruites de SNO2/ Sns2. L'approche a utilisé des données de plus de 1 000 sources de littérature expérimentale pour identifier divers catalyseurs basés sur SN.
« Au lieu de passer des jours, des mois ou même des années à faire toutes ces expériences en laboratoire, nous pouvons exécuter ces simulations sophistiquées et axées sur les données qui peuvent utilement informer les expériences en laboratoire sur lesquelles concentrer notre attention », explique Li.
Les catalyseurs identifiés par le modèle ont été exécutés dans des simulations qui surveillaient leur activité à différents niveaux de pH à l'échelle d'électrode hydrogène réversible (RHE).
Les chercheurs ont examiné le CO2 réaction de réduction, pour voir comment chaque catalyseur s'est produit dans différentes conditions. Les calculs de la littérature précédente ont eu du mal à expliquer avec précision l'impact de la dépendance au pH sur les performances électrocatalytiques, ces résultats fournissent donc de nouvelles informations sur le comportement de ces catalyseurs.
En outre, les résultats de la simulation montrent un excellent accord avec les observations expérimentales réelles, qui valide la précision de cette technique d'apprentissage automatique.
Cette étude aide à former une compréhension plus complète des catalyseurs basés sur SN, afin que leur plein potentiel puisse être mis en évidence. Les catalyseurs plus efficaces rapprochent la production de carburants verts abordables d'être une réalité quotidienne.
À l'avenir, le groupe de recherche prévoit d'optimiser le processus de formation du potentiel d'apprentissage automatique pour développer un cadre de formation plus précis et universel, réduisant ainsi mieux l'écart entre les résultats expérimentaux et les prédictions théoriques.
Toutes les données expérimentales et informatiques pertinentes ont été téléchargées sur la plate-forme de catalyse numérique (DIGCAT), la plus grande base de données de catalyse et la plate-forme numérique développée par le laboratoire Hao Li.
