Рабочий процесс аналитического процесса на основе ML, используемого для исследования многокомпонентных катализаторов ORR в щелочных условиях. Изображение:
Журнал химии материалов A
(2024). DOI: 10.1039/D4TA01884B (а–б) Сравнение (а) R
2
и (б) RMSE среди моделей, построенных ANN, XGBoost и LightGBM на обучающем и тестовом наборах. (c–d) Сравнение экспериментальных и прогнозируемых значений с помощью XGBoost на обучающем наборе (c) и тестовом наборе (d). Единицей среднеквадратического отклонения является lg(мкА·см).
-2
). Изображение:
Журнал химии материалов A
(2024). DOI: 10.1039/D4TA01884B

Исследователи использовали возможности искусственного интеллекта, чтобы значительно продвинуть открытие и оптимизацию многокомпонентных электрокатализаторов на основе оксидов металлов для реакции восстановления кислорода (ORR).

Этот прорыв может революционизировать эффективность и доступность технологий возобновляемых источников энергии, таких как водородные топливные элементы и батареи, прокладывая путь к устойчивому энергетическому будущему.

Подробности результатов были опубликовано в Журнал химии материалов A 23 апреля 2024 г.

В ходе исследования было проанализировано 7798 различных металлооксидных катализаторов ORR, полученных в ходе высокопроизводительных экспериментов. Эти катализаторы, содержащие такие элементы, как никель, железо, марганец, магний, кальций, лантан, иттрий и индий, были протестированы при различных потенциалах для оценки их эффективности.

Используя метод машинного обучения XGBoost, исследователи построили прогнозирующую модель для выявления потенциальных новых композиций без необходимости исчерпывающего экспериментального тестирования.

Исследование показало, что большое количество коллективизированных электронов и высокая энтропия конфигурации являются критически важными характеристиками для достижения высокой плотности тока в ORR. При плотности тока при VRHE 0,8 тройные системы Mn–Ca–La, Mn–Ca–Y и Mn–Mg–Ca продемонстрировали значительный потенциал для применения в водородных топливных элементах. При VRHE 0,63 системы Mn–Fe–X (X = Ni, La, Ca, Y) и Mn–Ni–X (X = Ca, Mg, La, Y) были идентифицированы как перспективные кандидаты для производства пероксида водорода.

«Наш инновационный подход с использованием машинного обучения ускоряет разработку и оптимизацию многокомпонентных катализаторов, экономя значительное время и ресурсы», — говорит Сюэ Цзя, доцент Передового института исследования материалов и один из соавторов исследования.

«Благодаря эффективному определению высокоэффективных каталитических композиций мы получили продемонстрированный преобразующий метод, который может привести к значительному прогрессу в технологиях устойчивой энергетики.

Усовершенствованные катализаторы могут повысить эффективность и снизить стоимость технологий возобновляемой энергетики, способствуя их более широкому внедрению и снижению зависимости от ископаемого топлива. Более эффективные системы хранения энергии могут снизить общие затраты, делая возобновляемую энергию более доступной и способствуя сохранению окружающей среды.

Успешное применение машинного обучения в этом исследовании создает прецедент для будущих исследований, которые потенциально могут привести к прорывам в различных научных областях. Усовершенствованные катализаторы ORR могут также увеличить производство перекиси водорода, широко используемой для дезинфекции и промышленных процессов, что принесет пользу здоровью и безопасности населения.

«Это исследование подчеркивает невероятный потенциал искусственного интеллекта в ускорении разработки катализаторов и открытия материалов», — добавляет Цзя. «Мы надеемся, что наши результаты сделают возможными будущие прорывы в технологиях устойчивой энергетики, которые имеют решающее значение для решения глобальных энергетических проблем».

Предоставлено Университетом Тохоку

Источник: PHYS.org