Олово (Sn) как катализатор
Олово (Sn) демонстрирует многообещающие результаты в качестве катализатора для реакций. Однако его структурно-функциональные взаимосвязи до конца не изучены, что ограничивает возможности максимизации его потенциала.
Использование машинного обучения для характеристики активности катализатора
Исследователи из Токийского университета передовых исследований материалов (WPI-AIMR) использовали машинное обучение для характеристики активности катализатора на основе олова. Работа опубликована в журнале Advanced Functional Materials.
Высокоточные симуляции могут изменить правила игры, помогая исследователям быстро и просто разрабатывать высокоэффективные сложные катализаторы.
Важность катализаторов
Катализаторы на основе олова могут преобразовывать вредный углекислый газ (CO₂) в топливо на основе углерода, используя возобновляемую электроэнергию. Это предлагает устойчивое решение проблемы нехватки энергии и изменения климата.
Цель исследования
Цель этого исследования — помочь нашему обществу достичь углеродной нейтральности.
Методы исследования
Для детального изучения катализаторов на основе олова исследователи использовали потенциал машинного обучения для проведения крупномасштабных молекулярно-динамических симуляций, успешно зафиксировав реконструированные конфигурации SnO₂/SnS₂. Подход использовал данные из более чем 1000 экспериментальных литературных источников для идентификации различных катализаторов на основе олова.
Вместо того чтобы тратить дни, месяцы или даже годы на проведение всех этих экспериментов в лаборатории, мы можем запустить сложные симуляции на основе данных, которые помогут определить, на каких лабораторных экспериментах следует сосредоточить наше внимание, — говорит Ли.
Катализаторы, идентифицированные моделью, были протестированы в симуляциях, в которых отслеживалась их активность при различных уровнях pH в масштабе обратимого водородного электрода (RHE).
Исследователи изучили реакцию восстановления CO₂, чтобы увидеть, как каждый катализатор работает в различных условиях. Расчёты, проведённые на основе предыдущих литературных источников, не могли точно учесть влияние зависимости от pH на электрокаталитическую активность, поэтому эти результаты дают новое представление о поведении этих катализаторов.
Результаты симуляций хорошо согласуются с фактическими экспериментальными наблюдениями, что подтверждает точность этого метода машинного обучения.
Это исследование помогает сформировать более полное представление о катализаторах на основе олова, чтобы полностью раскрыть их потенциал. Более эффективные катализаторы приближают производство экологически чистого топлива к повседневной реальности.
Будущие планы
В будущем исследовательская группа планирует оптимизировать процесс обучения машинного обучения для разработки более точной и универсальной обучающей системы, тем самым лучше устраняя разрыв между экспериментальными данными и теоретическими предсказаниями.
Все соответствующие экспериментальные и вычислительные данные были загружены на цифровую платформу каталитических процессов (DigCat), крупнейшую базу данных по катализу и цифровую платформу, разработанную лабораторией Хао Ли.
Предоставлено Токийским университетом.