机器学习可以促进催化剂相互作用，从而加速材料开发

机器学习技术迅速重新发现了控制催化剂的规则，这些规则使人类花费了数年的艰辛计算才发现甚至解释了偏差。 开发这项技术的密歇根大学团队认为，其他研究人员将能够使用它来更快地为各种目的设计材料。

化学工程学助理教授布莱恩·戈德史密斯（Bryan Goldsmith）与Suljo Linic共同领导了这项工作：“这不仅为理解催化学打开了一扇新门，而且还可能用于提取有关超导体，酶，热电和光伏技术的知识。” ，化学工程教授。

所有这些材料的关键在于它们的电子行为。 研究人员希望使用机器学习技术来开发所需材料特性的配方。 对于超导体，电子必须无阻力地通过材料移动。 酶和催化剂需要促进电子交易所，例如，开发新药或减少化学废物。 热电和光伏发电吸收光并产生高能电子，从而发电。

机器学习算法通常是“黑匣子”，这意味着它们吸收数据并吐出一个数学函数，该数学函数根据该数据进行预测。

化学工程学博士生，《化学》杂志论文的第一作者雅克·埃斯特维曾（Jacques Esterhuizen）说：“许多模型非常复杂，以至于很难从中提取见解。” “这是一个问题，因为我们不仅对预测材料特性感兴趣，而且还希望了解Atom结构和组成如何映射到材料特性。”

但是，新型的机器学习算法使研究人员可以看到算法正在建立的联系，确定哪些变量最重要以及为什么。 对于试图利用机器学习来改善材料设计（包括催化剂）的研究人员来说，这是至关重要的信息。

好的催化剂就像化学媒人。 它需要能够抓住反应物或我们想要反应的Atom和分子，以便它们相遇。 然而，它必须足够松散地进行，以使反应物宁愿彼此结合而不是粘在催化剂上。

在这种特殊情况下，他们研究了金属催化剂，该金属催化剂的表面正下方有一层不同的金属，称为次表面合金。 该地下层改变了顶层Atom的间隔方式以及电子可用于键合的方式。 通过调整间距，从而调整电子的可用性，化学工程师可以增强或减弱催化剂与反应物之间的结合力。

Esterhuizen首先在国家能源研究科学计算中心进行量子力学模拟。 这些形成了数据集，显示了包括金属（如金，铱和铂）在内的常见地下合金催化剂如何与常见的反应物（如氧，氢氧化物和氯）结合。

该团队使用该算法研究了可能对这些反应物的结合强度很重要的八种材料特性和条件。 原来，三个最重要。 首先是催化剂表面上的Atom是相互拉开还是被下面的不同金属压缩在一起。 第二个是电子轨道中有多少电子负责键合，在本例中为d轨道。 第三是d电子云的大小。

由此得出的关于不同合金如何与不同反应物结合的预测大部分反映了“ d带”模型，该模型是经过多年的量子力学计算和理论分析而开发的。 但是，他们也解释了由于强排斥相互作用而导致的与该模型的偏差，这种排斥相互作用是在富含电子的反应物结合到电子轨道最多的金属上时发生的。

有所作为：赞助机会

故事来源：

用料 由…提供 密西根大学。 凯特·麦卡萍（Kate McAlpine）撰写的原著。 注意：可以编辑内容的样式和长度。