密歇根大学 信用:CC0公共领域 一种机器学习技术迅速重新发现了控制催化剂的规则，这些规则花了人类数年的艰难计算才得以揭示——甚至解释了一个偏差
开发这项技术的密歇根大学团队相信，其他研究人员将能够利用这项技术在设计多种用途的材料方面取得更快的进展
化学工程助理教授布莱恩·戈德史密斯说:“这打开了一扇新的大门，不仅在理解催化方面，而且在提取超导体、酶、热电学和光伏学知识方面也有潜力。”他与化学工程教授苏乔·诊所共同领导了这项工作
所有这些材料的关键是它们的电子如何表现
研究人员希望使用机器学习技术为他们想要的材料特性开发配方
对于超导体来说，电子必须无阻力地穿过材料
例如，酶和催化剂需要充当电子交换的中介，以开发新药或减少化学废物
热电和光伏吸收光并产生高能电子，从而发电
机器学习算法通常是“黑盒”，这意味着它们接收数据，并输出一个数学函数，根据该数据进行预测
“这些模型中的许多都非常复杂，以至于很难从中获得真知灼见，”化学工程博士生、该论文在《化学》杂志上的第一作者雅克·埃斯特赫伊曾说
“这是一个问题，因为我们不仅对预测材料性质感兴趣，我们还想了解原子结构和成分如何映射到材料性质
" 但是一种新的机器学习算法让研究人员看到了算法建立的联系，识别出哪些变量是最重要的，为什么
这对于试图使用机器学习来改进材料设计的研究人员来说是至关重要的信息，包括催化剂
好的催化剂就像化学媒人
它需要能够抓住反应物，或者我们想要反应的原子和分子，以便它们相遇
然而，它必须足够松散，以至于反应物宁愿相互结合也不愿与催化剂结合
在这种特殊的情况下，他们研究了在表面下有一层不同金属的金属催化剂，称为次表层合金
该次表层改变了顶层原子的间距以及电子的成键能力
通过调整间距，从而调整电子的可用性，化学工程师可以增强或减弱催化剂和反应物之间的结合
埃斯特惠森从在国家能源研究科学计算中心运行量子力学模拟开始
这些构成了数据集，显示了普通的地下合金催化剂，包括金、铱和铂等金属，是如何与氧、氢氧化物和氯等普通反应物结合的
研究小组使用该算法研究了八种物质的性质和条件，这些性质和条件可能对这些反应物的结合强度很重要
结果证明三个最重要
第一个问题是催化剂表面的原子是被彼此拉开还是被下面不同的金属挤压在一起
第二个问题是在负责成键的电子轨道中有多少个电子，在这个例子中是d轨道
第三个是三维电子云的大小
对不同合金如何与不同反应物结合的最终预测主要反映了“d带”模型，该模型是在多年的量子力学计算和理论分析基础上发展起来的
然而，他们也解释了由于强排斥相互作用导致的与该模型的偏差，这种排斥相互作用发生在富含电子的反应物结合在主要具有填充电子轨道的金属上时
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
