В Корее с помощью ИИ разработали катализатор для электролиза с лучшими в мире характеристиками
- 58 минут назад
- 4 мин. чтения
Корреспондент Гу Бон Хёк
- Центр исследований наночастиц при Институте фундаментальных наук Кореи (IBS) разработала гибридный катализатор для производства «зеленого» водорода
- Прогнозирование и проверка характеристик катализатора путем интеграции данных по различным группам веществ
Хён Тхэк Хван, глава Центра исследований наночастиц при Институте фундаментальных наук Кореи (IBS) [Предоставлено IBS]
Команда корейских ученых, используя искусственный интеллект (ИИ), преодолела «узкие места» в производстве «зеленого» водорода и разработала технологию катализатора с лучшими в мире характеристиками, позволяющую значительно повысить эффективность.
Исследовательская группа под руководством Хён Тхэк Хвана, именной профессор кафедры химико-биологической инженерии Сеульского национального университета и по совместительству глава Центра исследований наночастиц при Институте фундаментальных наук (IBS), разработала технологию, которая объединяет экспериментальные данные по различным группам катализаторов в единую модель искусственного интеллекта (ИИ), позволяющую выявлять ранее неизвестные группы катализаторов и прогнозировать их характеристики. Исследователи использовали эту технологию для поиска катализаторов реакции выделения кислорода, необходимых для производства «зеленого» водорода, и экспериментально подтвердили, что недавно предсказанный «многокомпонентный катализатор с одиночными атомами» демонстрирует наилучшие характеристики, превосходящие все существующие катализаторы.
Электролиз воды — это экологически чистая технология производства водорода, при которой вода разлагается под действием электричества без выбросов углерода. Однако происходящая в этом процессе реакция выделения кислорода отличается низкой скоростью и требует большого количества энергии. Для ее улучшения необходима разработка высокоэффективных катализаторов, способствующих быстрой и эффективной реакции.
Характеристики катализатора зависят от множества факторов, таких как состав элементов, расположение атомов и структура поверхности, однако при разработке существующих катализаторов обычно используется подход, заключающийся в поиске лучшего кандидата в пределах одной группы веществ. В частности, количество возможных комбинаций веществ очень велико, поэтому найти оптимальный катализатор, полагаясь только на интуицию исследователя и повторяя эксперименты, затруднительно.
Исследователи разработали «скрещивающую нейронную сеть (Crossbreeding Neural Network, CBNN)», которая объединяет данные двух различных групп катализаторов, способствующих реакции выделения кислорода в процессе производства «зеленого» водорода, а именно: катализаторов с одиночными атомами и катализаторов на основе оксидов перовскита. Катализаторы с одиночными атомами представляют собой катализаторы, в которых атомы металла закреплены по одному на поверхности катализатора, что позволяет достигать высокой эффективности даже при использовании небольшого количества металла. С другой стороны, оксиды перовскита — это оксидные катализаторы, свойства которых можно регулировать путем изменения комбинации различных металлических элементов. Исследователи ввели в систему искусственного интеллекта «информацию о поверхности» катализаторов с одиночными атомами и «информацию о внутренней структуре» оксидов перовскита, а также разработали модель, в которой эти два вида информации обучаются вместе.
Рис. 1: Модель машинного обучения для прогнозирования нового класса катализаторов путем объединения их различных семейств
Исследователи разработали модель машинного обучения, которая объединяет данные о катализаторах с одиночными атомами на углеродном носителе и катализаторах на основе оксидов перовскита. Модель прогнозирует активность нового класса материалов, не включенного в обучение: катализаторов с одиночными атомами на основе оксидов перовскита. Расположение атомов на поверхности катализатора обучается как изображения, а объемная структура оксида — как графы. Объединяя знания о дизайне поверхности, полученные на основе катализаторов с одиночными атомами, со знаниями об объемной структуре, полученными на основе оксидов перовскита, модель прогнозирует перенапряжение катализаторов для реакции выделения кислорода в щелочной среде.
Рис. 2: Выбор ключевых ко-дескрипторов и оценка межматериального обучения.
Рис. 3: Структурная характеристика и прогнозы машинного обучения по характеристикам OER.
Рис. 4. Сравнение характеристик «лучшего из лучших» катализатора, прогнозируемого ИИ
Используя модель машинного обучения, исследователи выявили многометаллический одноатомный катализатор, в котором атомы W, Mo, Ru и Rh были закреплены на поверхности Ca0,8Pr0,2Co0,8Fe0,2O3−δ в концентрациях 0,2, 0,1, 0,1 и 0,1 масс.%, соответственно. Этот катализатор продемонстрировал более низкое перенапряжение, чем ранее исследованные катализаторы на основе оксидов перовскита, более высокую частоту оборота, чем одноатомные катализаторы на углеродном носителе, и лучшие характеристики среди одноатомных катализаторов на оксидах перовскита, синтезированных в рамках данного исследования. Более низкое перенапряжение и более высокая частота оборота указывают на превосходную каталитическую активность.
Рис. 5: Объяснимое машинное обучение для определения источника каталитической активности.
Затем исследователи взяли в качестве объекта прогнозирования новую группу катализаторов, которую ИИ ранее не изучал, а именно катализаторы с одиночными атомами металла, закрепленными на поверхности оксидов перовскита. Модель предсказала рейтинг эффективности кандидатов на основе ключевых общих факторов, связанных с характеристиками катализатора, а исследователи проверили эти результаты путем фактического синтеза и электрохимических измерений. В результате рейтинг эффективности 12 видов катализаторов, предсказанный ИИ, точно совпал с результатами экспериментов. Более того, путем проектирования катализатора с закреплением различных атомов металла по отдельности удалось найти материал с наилучшими характеристиками, превосходящий как катализаторы, включенные в исходные обучающие данные, так и вновь синтезированные катализаторы.
Главная особенность данного исследования заключается в том, что ИИ вышел за рамки простого выбора кандидатов внутри одной группы веществ и, соединив знания о разных группах, смог предсказать появление новой группы веществ. Кроме того, модель не ограничилась простым представлением результатов, а вывела ключевые факторы, связанные с производительностью катализатора, что позволило объяснить причины повышения производительности. Это показывает, что разработка катализаторов на основе ИИ может выйти за рамки «прогнозирования по принципу черного ящика» и развиваться в направлении, предлагающем базовые принципы проектирования материалов.
«Данное исследование показывает, что ИИ не просто копирует существующие данные, а способен прогнозировать разницу в характеристиках даже в новых группах веществ» - сказал глава Центра исследований наночастиц Хён Тхэк Хван, добавив: «Рейтинг характеристик катализаторов, прогнозируемый ИИ, точно совпал с реальными результатами».
«Мы полагаем, что в будущем это можно будет применять не только к катализаторам, но и к различным областям, требующим поиска сложных веществ, таким как разработка аккумуляторов, топливных элементов, энергетических материалов и новых лекарств» - отметил он.
Результаты данного исследования опубликованы 28 мая в международном научном журнале «Nature Materials».
Комментарии