研究人员使用机器学习来改进催化剂
来自Skoltech的研究人员及其来自德国和的同事研究了钯铜合金在变化的温度和氢气浓度下的性能和行为,这对催化剂设计具有重要意义。该论文发表在《应用物理学》杂志上。
过渡金属合金材料具有催化性能,被广泛用于促进各种化学反应,例如CO 2加氢,该过程将二氧化碳转化为甲醇。使用更昂贵的反应性元素的合金与更便宜和更惰性的另一种元素使这些催化剂高效。这种催化剂的一个例子是钯(Pd)和铜(Cu)的合金,其中Pd的孤立原子位于Cu晶格中。
Skoltech能源科学技术中心(CEST)的Han Zhong-Kang,Debalaya Sarker和Sergey Levchenko及其同事通过机器学习模型预测Pd / Cu合金上Pd原子的分布,对Pd / Cu合金的性能进行了建模。铜表面与氢分压和温度的关系。列夫琴科说:“只有表面上的Pd原子提供催化活性位。因此,重要的是要知道在相关温度和氢分压下在表面上能找到多少这些原子。”
他说,评估Cu晶格中Pd的许多原子构型的能量需要大量计算资源,因此研究人员选择了易于处理的替代簇扩展模型。“该模型使我们能够在几秒钟内评估数百万种构型的能量。在这项研究中,我们的系统比通常使用团簇扩展进行研究的系统更为复杂:合金表面具有各种原子构型的稳定性,因此,我们采用了基于压缩传感(一种广泛用于压缩图像的方法)的机器学习方法,以开发出一种非常准确且可预测的替代模型,”列夫琴科指出。
研究小组发现,氢吸附确实对Cu(111)表面顶层中Pd原子的浓度具有很强的影响。列夫琴科解释说:“尽管在较低的氢气分压和较高的温度下,Pd倾向于留在表面,但在较高的压力和较低的温度下,氢吸附会使Pd离开表面。
作者希望他们的发现可以通过考虑现实操作条件下材料组成和结构的动态变化,为设计具有更好催化性能的金属合金打开大门。