Treinamento em potencial de aprendizado de máquina (MLP) para análises de reconstrução de superfície. (a) Fluxo de trabalho para treinamento em MLP e pesquisa de espaço de configuração em larga escala. (BC) simulações de dinâmica molecular (MD) na escala de nanossegundos e tamanho mesoscópico para (b) sno2-x e (c) SNS2-x. As inserções mostram as estruturas possíveis com a superfície de energia mais baixa, rastreada por amostragem em larga escala. Esferas cinza claro, vermelho e amarelo representam Sn, O e S, respectivamente. Crédito: Hao Li et al.
Alguns dos resultados mais encorajadores para os catalisadores que melhoram a reação vêm de um materials em specific: TIN (SN). Embora a utilidade geral do SN como catalisador seja bem conhecida, seu relacionamento subjacente ao desempenho da estrutura é pouco conhecido, o que limita nossa capacidade de maximizar seu potencial.
Para abordar essa lacuna de conhecimento, os pesquisadores do Instituto Avançado de Pesquisa de Materiais (WPI-AIMR da Universidade de Tohoku usaram o aprendizado de máquina para caracterizar o SN catalisador atividade. O trabalho é publicado no diário Materiais funcionais avançados.
As simulações altamente precisas podem ser um mudança de jogo que ajuda os pesquisadores com rapidez e simplesmente a projetar catalisadores complexos de alto desempenho.
“A razão pela qual esses catalisadores são tão importantes é que eles podem converter dióxido de carbono nocivo – co2—Estou combustíveis à base de carbono usando eletricidade renováveloferecendo uma solução sustentável para a escassez de energia e mudança climática“Explica Hao Li da WPI-AIMR.
“O objetivo desta pesquisa é orientar nossa sociedade em relação à neutralidade de carbono”.
Para examinar de perto os catalisadores de SN, eles empregaram potencial de aprendizado de máquina para realizar em larga escala Simulações de dinâmica molecularcaptura com sucesso as configurações reconstruídas do SNO2/SNS2. A abordagem usou dados de mais de 1.000 fontes de literatura experimentais para identificar vários catalisadores baseados em SN.
“Em vez de passar dias, meses ou até anos fazendo todos esses experimentos no laboratório, podemos executar essas simulações sofisticadas e orientadas a dados que podem informar úteis em quais experimentos baseados em laboratório focalizar nossa atenção”, diz Li.
Os catalisadores identificados pelo modelo foram executados em simulações que monitoravam sua atividade em diferentes níveis de pH na escala reversível de eletrodos de hidrogênio (RHE).
Os pesquisadores examinaram o CO2 Reação de redução, para ver como cada catalisador se saiu em diferentes condições. Os cálculos da literatura anterior lutaram para explicar com precisão o impacto da dependência do pH no desempenho eletrocatalítico; portanto, esses resultados fornecem novas idéias sobre o comportamento desses catalisadores.
-
Modelagem microkinética dependente de pH na escala RHE. (a) Modelagem microkinética dependente de pH para CO2RR em catalisadores baseados em SN. Os campos elétricos mais baixos correspondem a mais condições alcalinas, enquanto os campos mais altos indicam condições mais ácidas. (B) Análise de etapas determinantes da taxa para formação de HCOOH em condições ácidas (linhas tracejadas) e alcalinas (linhas sólidas). As linhas roxas indicam atividade limitada pela 1ª transferência de elétrons, enquanto as linhas verdes demonstram limitações devido à 2ª transferência de elétrons. Crédito: Hao Li et al.
-
Caracterizações de materiais e testes de desempenho. (AB) espectros de XRD de SNO2 e SNS2 Antes e depois do CO2Rr. (CD) espectros XPS de SNO2 e SNS2 antes e depois da reação. (ef) imagens SEM para SNO2: (e) antes e (f) após a reação. (GH) imagens SEM para SNS2: (g) antes e (h) após a reação. (ij) imagens de hrtem para sno2: antes (i) e (j) após a reação. (KL) imagens de HRTEM para SNS2: (ok) antes e (l) após a reação. (Mn) As densidades atuais versus potenciais aplicados de SNO2 e SNS2 em diferentes níveis de pH. (op) eficiências faradaicas de CO2Rr no sno2 e SNS2 Em diferentes potenciais sob pH = 13. Crédito: Hao Li et al.
Além disso, os resultados da simulação mostram excelente concordância com observações experimentais reais, que valida a precisão desta técnica de aprendizado de máquina.
Este estudo ajuda a formar uma compreensão mais abrangente dos catalisadores baseados em SN, para que seu pleno potencial possa ser divulgado. Catalisadores mais eficientes aproximam a produção de combustível verde acessível de ser uma realidade cotidiana.
No futuro, o Grupo de Pesquisa planeja otimizar o processo de treinamento do potencial de aprendizado de máquina para desenvolver uma estrutura de treinamento mais precisa e common, melhor a ponte entre os achados experimentais e as previsões teóricas.
Todos os dados experimentais e computacionais relevantes foram enviados para a plataforma de catálise digital (Digcat), o maior banco de dados de catálise e plataforma digital Desenvolvido pelo Hao Li Lab.
Mais informações:
Yuhang Wang et al., Teoria e experimento de ponte: idéias potenciais de aprendizado de máquina sobre redução de co₂ dependente de pH em catalisadores baseados em SN, Materiais funcionais avançados (2025). Doi: 10.1002/adfm.202506314
Fornecido por
Universidade de Tohoku
Citação: O estudo usa o aprendizado de máquina para mapear o desempenho dependente do pH dos catalisadores de estanho (2025, 4 de julho) recuperados em 6 de julho de 2025 de https://phys.org/information/2025-07-machine-ph-tin-catalysts.html
Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa specific, nenhuma parte pode ser reproduzida sem a permissão por escrito. O conteúdo é fornecido apenas para fins de informação.
