[ad_1]
Desarrollar nuevos compuestos o aleaciones cuyas superficies puedan usarse como catalizadores en reacciones químicas puede ser un proceso complejo que depende en gran medida de la intuición de químicos experimentados. Un equipo de investigadores del MIT ha utilizado el aprendizaje automático para desarrollar un nuevo enfoque que elimina la necesidad de la intuición y proporciona información más detallada que la que los métodos tradicionales pueden lograr en la práctica.
Por ejemplo, cuando el equipo aplicó el nuevo sistema a un material que ya había sido estudiado por medios convencionales durante 30 años, descubrió que la superficie del compuesto podía formar dos nuevas configuraciones atómicas que no habían sido identificadas previamente y una configuración adicional. , que se observó en trabajos anteriores, probablemente sea inestable.
Los resultados se describen en la revista de esta semana. informática de la naturalezaen un artículo del estudiante graduado del MIT Xiaochen Du, los profesores Rafael Gómez-Bombarelli y Bilge Yildiz, el asociado técnico del Laboratorio Lincoln del MIT, Lin Li, y otras tres personas.
Las superficies de los materiales a menudo interactúan con su entorno de maneras que dependen de la configuración precisa de los átomos en la superficie, que puede variar según las partes de la estructura atómica del material que estén expuestas. Imagine un pastel de capas con pasas y nueces: Dependiendo de cómo corte exactamente el pastel, se verán diferentes cantidades y disposiciones de las capas y de la fruta en el borde de su porción. El medio ambiente también juega un papel. La superficie del pastel se ve diferente cuando se remoja en almíbar, lo que lo vuelve húmedo y pegajoso, o cuando se mete en el horno, lo que hace que la superficie se ponga crujiente y se oscurezca. Esto es similar a cómo reaccionan las superficies de los materiales cuando se sumergen en un líquido o se exponen a diferentes temperaturas.
Los métodos comúnmente utilizados para caracterizar superficies de materiales son estáticos y consideran una configuración específica entre millones de posibilidades. El nuevo método permite estimar todas las variaciones basándose en unos pocos cálculos de primeros principios, que se seleccionan automáticamente mediante un proceso iterativo de aprendizaje automático para encontrar los materiales con las propiedades deseadas.
Además, a diferencia de los métodos tradicionales, el nuevo sistema se puede ampliar para proporcionar información dinámica sobre cómo las propiedades de la superficie cambian con el tiempo en condiciones de funcionamiento, como mientras un catalizador promueve activamente una reacción química o mientras un electrodo de batería se carga o descarga.
El método de los investigadores, al que llaman «Marco de reconstrucción automática de superficies», evita la necesidad de utilizar ejemplos de superficies cuidadosamente seleccionados para entrenar la red neuronal utilizada en la simulación. En cambio, comienza con un único ejemplo de una superficie de corte prístina y luego utiliza el aprendizaje activo combinado con un tipo de algoritmo Monte Carlo para seleccionar ubicaciones para el muestreo en esa superficie, evaluando los resultados de cada ubicación de ejemplo para seleccionar la siguiente ubicación para controlar los sitios web. . Utilizando menos de 5.000 cálculos ab initio de millones de composiciones y configuraciones químicas posibles, el sistema puede obtener predicciones precisas de energías superficiales a través de diferentes potenciales químicos o eléctricos, informa el equipo.
«Nos ocupamos de la termodinámica», dice Du, «lo que significa que bajo diversas condiciones externas, como presión, temperatura y potencial químico, que pueden estar relacionados con la concentración de un elemento en particular, [we can investigate] ¿Qué estructura es más estable para la superficie?
En principio, determinar las propiedades termodinámicas de la superficie de un material requiere conocer las energías de la superficie en una disposición específica de un solo átomo y luego determinar estas energías millones de veces para capturar todas las variaciones posibles y capturar la dinámica de los procesos en funcionamiento. Aunque teóricamente es posible hacer esto computacionalmente, a una escala de laboratorio típica, «simplemente no es asequible», dice Gómez-Bombarelli. Los investigadores lograron obtener buenos resultados estudiando sólo unos pocos casos específicos, pero no fueron suficientes para proporcionar una imagen estadística real de las propiedades dinámicas implicadas, afirma.
Con su método, dice Du, «tenemos nuevas capacidades que nos permiten estudiar la termodinámica de diferentes composiciones y configuraciones». También demostramos que podemos lograr esto a un costo menor y con evaluaciones de energía de la mecánica cuántica menos costosas. Y podemos hacerlo incluso con materiales más duros”, incluidos los materiales de tres componentes.
«El enfoque tradicional en este campo», dice, «es que los investigadores prueben sólo unas pocas superficies de conjeturas basándose en su intuición y conocimiento». Pero hacemos un muestreo completo y lo hacemos automáticamente». Dice: «Tenemos un proceso que alguna vez fue imposible o extremadamente desafiante debido a la necesidad de la intuición humana. Ahora sólo necesitamos una mínima aportación humana. Nosotros simplemente proporcionamos la superficie impecable y nuestras herramientas hacen el resto”.
Esta herramienta o conjunto de algoritmos informáticos, denominado AutoSurfRecon, ha sido puesto a disposición de forma gratuita por los investigadores para que pueda ser descargado y utilizado por cualquier investigador del mundo, por ejemplo para ayudar a desarrollar nuevos materiales para catalizadores, como la producción. del hidrógeno “verde” como combustible alternativo libre de emisiones o para nuevos componentes de baterías o pilas de combustible.
Por ejemplo, Gómez-Bombarelli dice que cuando se desarrollan catalizadores para la producción de hidrógeno, «parte del problema es que no se entiende realmente en qué se diferencia su superficie de su masa cuando ocurre el ciclo catalítico». del material cuando se utiliza y cómo se ve cuando se prepara antes de ponerlo en acción”.
Añade que «en última instancia, en la catálisis, la entidad responsable de hacer que el catalizador haga algo son unos pocos átomos expuestos en la superficie, por lo que es muy, muy importante cómo se ve exactamente la superficie en ese momento».
Otra posible aplicación es estudiar la dinámica de las reacciones químicas utilizadas para eliminar el dióxido de carbono del aire o de las emisiones de las centrales eléctricas. Estas reacciones a menudo involucran un material que actúa como una especie de esponja para absorber oxígeno, eliminando átomos de oxígeno de las moléculas de dióxido de carbono y dejando monóxido de carbono, que puede ser un combustible útil o una materia prima química. Desarrollar tales materiales «requiere comprender qué hace la superficie a los átomos de oxígeno y cómo está estructurada», dice Gómez-Bombarelli.
Los investigadores utilizaron su herramienta para examinar la disposición de la superficie atómica del material de perovskita, óxido de titanio y estroncio, o SrTiO.3, que ha sido analizado por otros utilizando métodos convencionales durante más de tres décadas pero aún no se comprende completamente. Descubrieron dos nuevas disposiciones de átomos en su superficie que no se habían informado anteriormente, y creen que es poco probable que alguna de las disposiciones previamente reportadas ocurra.
“Esto pone de relieve que el método funciona sin intuición”, afirma Gómez-Bombarelli. «Y eso es algo bueno, porque a veces la intuición es errónea y lo que la gente pensaba resulta no ser el caso.» Esta nueva herramienta, dijo, permitirá a los investigadores realizar más investigaciones y probar una gama más amplia de opciones.
Ahora que su código se ha puesto a disposición de toda la comunidad, afirma, «esperamos que sirva de inspiración para que otros usuarios realicen mejoras muy rápidas».
El equipo incluía a James Damewood, un estudiante de posgrado en el MIT, Jaclyn Lunger PhD ’23, que ahora trabaja en Flagship Pioneering, y Reisel Millan, ex becario postdoctoral que ahora trabaja en el Instituto de Tecnología Química de España. El trabajo contó con el apoyo de la Fuerza Aérea de EE. UU., el Departamento de Defensa de EE. UU. y la Fundación Nacional de Ciencias de EE. UU.
[ad_2]