Die Geheimnisse der chemischen Bindung mit maschinellem Lernen entschlüsseln
"Es hängt alles davon ab, wie sich Katalysatoren mit Molekülen verbinden"
Ein neuer Ansatz des maschinellen Lernens bietet wichtige Einblicke in die Katalyse, ein grundlegender Prozess, der es ermöglicht, die Emission von giftigen Abgasen zu reduzieren oder wichtige Materialien wie Gewebe herzustellen.
Bild des Bayeschem-Ansatzes zur Entschlüsselung der orbitalen Natur der chemischen Bindung an Metalloberflächen.
Virginia Tech
In einem in Nature Communications veröffentlichten Bericht entwickelten Hongliang Xin, außerordentlicher Professor für Chemieingenieurwesen an der Virginia Tech, und sein Forscherteam ein Bayes'sches Lernmodell der Chemisorption, kurz Bayeschem, mit dem Ziel, mit künstlicher Intelligenz die Natur der chemischen Bindung an Katalysatoroberflächen zu entschlüsseln.
"Es hängt alles davon ab, wie sich Katalysatoren mit Molekülen verbinden", sagte Xin. "Die Wechselwirkung muss stark genug sein, um einige chemische Bindungen bei relativ niedrigen Temperaturen aufzubrechen, aber nicht so stark, dass die Katalysatoren durch Reaktionszwischenprodukte vergiftet würden. Diese Regel ist als Sabatier-Prinzip in der Katalyse bekannt".
Zu verstehen, wie Katalysatoren mit verschiedenen Zwischenprodukten interagieren, und zu bestimmen, wie man ihre Bindungsstärken so steuert, dass sie sich innerhalb dieser "Goldlöckchen-Zone" befinden, ist der Schlüssel zur Gestaltung effizienter katalytischer Prozesse, sagte Xin. Die Forschung bietet ein Werkzeug für diesen Zweck.
Bayeschem arbeitet mit dem Bayes'schen Lernen, einem speziellen Algorithmus des maschinellen Lernens zur Ableitung von Modellen aus Daten. "Nehmen wir an, Sie haben ein Domänenmodell, das auf gut etablierten physikalischen Gesetzen beruht, und Sie möchten es verwenden, um Vorhersagen zu treffen oder etwas Neues über die Welt zu lernen", erklärte Siwen Wang, ein ehemaliger Doktorand der Chemietechnik. "Der Bayes'sche Ansatz besteht darin, die Verteilung der Modellparameter angesichts unseres Vorwissens und der beobachteten, oft spärlichen Daten zu lernen und gleichzeitig die Unsicherheitsquantifizierung von Modellvorhersagen zu ermöglichen.
Die in Bayeschem verwendete d-Band-Theorie der Chemisorption ist eine Theorie, die die chemische Bindung an Festkörperoberflächen mit d-Elektronen beschreibt, die normalerweise wie ein vierblättriges Kleeblatt geformt sind. Das Modell erklärt, wie d-Orbitale von Katalysatoratomen überlappen und von Adsorbat-Valenzorbitalen angezogen werden, die eine sphärische oder hantelähnliche Form haben. Es gilt seit seiner Entwicklung durch Hammer und Nørskov in den 1990er Jahren als das Standardmodell in der heterogenen Katalyse, und obwohl es bei der Erklärung von Bindungstrends vieler Systeme erfolgreich war, versagt das Modell laut Xin gelegentlich aufgrund der inhärenten Komplexität elektronischer Wechselwirkungen.
Laut Xin bringt Bayeschem die D-Band-Theorie auf eine neue Ebene, um diese Wechselwirkungsstärken zu quantifizieren und möglicherweise einige Knöpfe, wie Struktur und Zusammensetzung, anzupassen, um bessere Materialien zu entwerfen. Der Ansatz bringt die d-Band-Theorie der Chemisorption voran, indem er ihre Vorhersage- und Interpretationsfähigkeiten von Adsorptionseigenschaften erweitert, die beide für die Entdeckung von Katalysatoren von entscheidender Bedeutung sind. Im Vergleich zu den Black-Box-Modellen des maschinellen Lernens, die durch große Datenmengen trainiert werden, ist die Vorhersagegenauigkeit von Bayeschem jedoch noch verbesserungsfähig, sagte Hemanth Pillai, ein Doktorand des Chemieingenieurwesens in der Gruppe von Xin, der ebenfalls an der Studie beteiligt war.
"Die Möglichkeit, hochpräzise und interpretierbare Modelle zu entwickeln, die auf tiefgreifenden Lernalgorithmen und der Theorie der Chemisorption aufbauen, ist sehr lohnend, um die Ziele der künstlichen Intelligenz in der Katalyse zu erreichen", sagte Xin.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
![[Fe]-Hydrogenase-Katalyse mittels Parawasserstoff-verstärkter Kernmagnetresonanzspektroskopie sichtbar gemacht](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
