Использование суррогатной модели для быстрого и точного отбора материалов-подложек
Исследователи из Мичиганского университета разработали новый вычислительный подход, который позволяет эффективно анализировать десятки тысяч возможных материалов-подложек для нанокатализаторов на основе платины. Это помогает предотвратить спекание (слипание частиц) при высоких температурах.
Проблема спекания
Наночастицы металлов катализируют реакции для синтеза химических веществ и топлива, но они склонны к спеканию, что уменьшает их площадь поверхности и эффективность при высоких температурах.
Новый подход
Согласно исследованию, опубликованному в журнале Nature Catalysis, новый вычислительный фреймворк позволяет быстро отсеивать десятки тысяч вариантов для поиска оптимальных материалов-подложек, которые предотвращают слипание наночастиц.
Сульйо Линик, профессор кафедры химической инженерии в Мичиганском университете и соавтор исследования, объясняет: «Когда частицы растут в размере, они прячут дорогие атомы, такие как платина, в объёме, а не на поверхности, где они могут участвовать в реакции. Чтобы предотвратить это, мы добиваемся того, чтобы наночастицы прикреплялись к материалу-подложке, который размещает их на расстоянии друг от друга».
Избегание экспериментов
Учитывая множество факторов, влияющих на спекание, было бы невозможно определить идеальные комбинации наночастиц металла и подложек путём экспериментов. Чтобы обойти эксперименты, предыдущие исследователи использовали подход машинного обучения, называемый нейронной сетевой молекулярной динамикой, для моделирования движения атомов во время спекания.
Интеграция интерпретируемого машинного обучения
Исследовательская группа из Мичиганского университета интегрировала в процесс интерпретируемое машинное обучение, которое выявляет физические свойства, предотвращающие спекание. Шаг с использованием интерпретируемого машинного обучения позволил исследовательской группе быстро просмотреть более 10 000 материалов-кандидатов — масштаб, который был бы невозможен при полном моделировании.
Чэнгонг Цзян, докторант в области химической инженерии в Мичиганском университете и ведущий автор исследования, говорит: «Нейронная сетевая молекулярная динамика похожа на рендеринг видео высокой чёткости, а интерпретируемое машинное обучение позволяет нам идентифицировать критические особенности этого видео и использовать их. Более простая модель позволяет нам работать с большим количеством кандидатов, используя меньше вычислительных ресурсов».
Сравнение с диагностикой болезней
Брайан Голдсмит, доцент кафедры химической инженерии в Мичиганском университете и соавтор исследования, объясняет: «Этот подход, основанный на нейронных сетях и интерпретируемом машинном обучении, позволяет проводить моделирование нанокатализаторов, которые в тысячи раз быстрее, чем традиционные квантово-механические методы, сохраняя при этом высокую точность — превращая месяцы вычислений в дни или даже часы».
Исследовательская группа смоделировала 203 пары наночастиц и подложек, чтобы определить уровень спекания и взаимодействия металл-подложка при высоких температурах. Результаты обучили интерпретируемую модель машинного обучения для прогнозирования результатов моделирования на основе 12 конкретных физических свойств материала-подложки.
Сульйо Линик говорит: «Мы называем это интерпретируемым машинным обучением, потому что входные данные, которые мы предоставляем для понимания этих тенденций, основаны на физических представлениях о том, что должно управлять этими взаимодействиями».
Из всех проверенных физических свойств наиболее влиятельной характеристикой для предотвращения спекания оказалась поверхностная энергия — насколько плотно наночастицы прикрепляются к подложке. Это, наряду с несколькими другими важными электронными и структурными характеристиками, было подтверждено с помощью квантово-химических расчётов.
После проверки модели интерпретируемого машинного обучения с помощью этих тематических исследований команда использовала её для отбора 10 662 металл-оксидных подложек для наночастиц платины. Подобно термометру на лбу, эта простая модель сократила группу до 148 кандидатов. С гораздо более управляемой группой кандидатов дальнейшие симуляции и эксперименты привели к созданию устойчивой к спеканию поддержки из оксида бария (BaO).
«Эта структура широко применима ко многим каталитическим приложениям. Если кто-то на химическом заводе хочет использовать какой-либо оксидный материал в качестве подложки, он может начать с простейшей интерпретируемой модели и двигаться дальше», — говорит Линик.
Предоставлено
[University of Michigan](https://phys.org/partners/university-of-michigan/)