机器学习将催化剂中的材料成分和性能联系起来

在一项有助于为更清洁的燃料和更可持续的化学工业铺平道路的发现中，密歇根大学的研究人员使用机器学习来预测金属合金和金属氧化物的成分如何影响它们的电子结构。

电子结构是了解材料如何作为化学反应的介体或催化剂发挥作用的关键。

“我们正在学习识别材料的指纹并将它们与材料的性能联系起来，”道康宁化学工程助理教授Bryan Goldsmith说。

更好地预测哪种金属和金属氧化物成分最适合指导哪些反应可以改善大规模化学过程，如制氢、其他燃料和肥料的生产以及家用化学品(如洗洁精)的制造。

“我们研究的目标是开发预测模型，将催化剂的几何形状与其性能联系起来。这些模型对于设计用于关键化学转化的新催化剂至关重要，”Martin Lewis Perl 大学教授Suljo Linic说。化学工程。

预测材料如何作为化学反应的潜在介质表现的主要方法之一是分析其电子结构，特别是状态密度。这描述了有多少量子态可用于反应分子中的电子以及这些态的能量。

通常，状态的电子密度是用汇计来描述的——平均能量或偏斜，揭示更多的电子状态是高于还是低于平均值，等等。

“没关系，但这些只是简单的统计数据。你可能会遗漏一些东西。通过主成分分析，你只需吸收一切并找到重要的东西。你不仅仅是扔掉信息，”戈德史密斯说。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！