Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski polski
CORDIS - Wyniki badań wspieranych przez UE
CORDIS
High-throughput Discovery of Catalysts for the Hydrogen Economy through Machine Learning

Article Category

Article available in the following languages:

Tańszy katalizator umożliwiający produkcję energii z wodoru

Naukowcy wykorzystują chemię obliczeniową i sztuczną inteligencję, aby znaleźć nowe, bardziej ekonomiczne katalizatory służące do produkcji wodoru i energii.

Dzięki jedynemu w swoim rodzaju połączeniu możliwości skalowania, długoterminowego magazynowania i przenośności, wodór jaki się jako jedno z najbardziej obiecujących źródeł energii odnawialnej. Ale żeby przekuć tę obietnicę w realne postępy, najpierw musimy nie tylko umieć produkować wodór z wody i energię z wodoru, ale także robić to w sposób ekonomicznie opłacalny. Z tych względów zainicjowano finansowany przez UE projekt HighHydrogenML(odnośnik otworzy się w nowym oknie). „Naszym celem jest znalezienie tanich, nieszkodliwych materiałów, które będą mogły służyć jako katalizatory dwóch głównych reakcji związanych z wytwarzaniem wodoru i generowaniem energii, a mianowicie reakcji wydzielania wodoru i reakcji redukcji tlenu”, wyjaśnia Valentin Vassilev-Galindo(odnośnik otworzy się w nowym oknie), stypendysta programu działań „Maria Skłodowska-Curie”(odnośnik otworzy się w nowym oknie), współprowadzący projekt w IMDEA Materials Institute(odnośnik otworzy się w nowym oknie).

Odkrywanie potencjalnych nowych katalizatorów

Jak tłumaczy Vassilev-Galindo, reakcja wydzielania wodoru (HER) i reakcja redukcji tlenu (ORR) są zwykle katalizowane przy użyciu materiałów platynowych (Pt). „Problem z tymi materiałami polega na tym, że są one dość drogie”, mówi. „My połączyliśmy chemię obliczeniową i sztuczną inteligencję, aby zaproponować nowe, bardziej opłacalne katalizatory zarówno dla HER, jak i ORR”. Dokładniej mówiąc, badacze przeprowadzili obliczenia z wykorzystaniem teorii funkcjonału gęstości (DFT), aby uzyskać zbiór danych dotyczących energii adsorpcji adsorbatów biorących udział w HER i ORR dla szeregu materiałów. DFT jest metodą obliczeniową stosowaną w chemii kwantowej do badania struktury elektronowej układów wielociałowych, takich jak atomy, cząsteczki i ciała stałe. Adsorpcja to proces polegający na tym, że cząsteczki, atomy lub jony przylegają do powierzchni materiału, w odróżnieniu od absorpcji, w której dostają się do większości materiału. Następnie ten zbiór danych wykorzystano do trenowania modeli uczenia maszynowego w celu przewidywania energii adsorpcji z dokładnością DFT przy radykalnie niższych kosztach obliczeniowych. Modele te wykorzystano później do przeszukania listy nieznanych materiałów w celu wybrania tych, które charakteryzują się energią adsorpcji podobną do Pt. „Te przewidywania pozwoliły nam znaleźć nowe potencjalne katalizatory, które zostały zsyntetyzowane i przetestowane przez współpracujących z nami eksperymentatorów, a najlepszy z nich osiągnął do 71% wydajności Pt dla HER”, dodaje Vassilev-Galindo.

Sztuczna inteligencja pomaga w odkrywaniu nowych materiałów

W projekcie opracowano również strategię wyjaśnialnej sztucznej inteligencji (XAI) przeznaczoną do odkrywania nowych materiałów mogących pełnić rolę katalizatorów dla HER i ORR. „Do tej pory wszystkie metody oparte na sztucznej inteligencji koncentrowały się jedynie na znajdowaniu materiałów o pożądanych właściwościach”, zauważa Vassilev-Galindo. „Teraz, dzięki proponowanej przez nas strategii XAI, możliwe będzie również badanie, co sprawia, że dany materiał jest lepszy od innych, i uzyskanie bezprecedensowej wiedzy na temat chemicznych i fizycznych właściwości materiałów”.

Urzeczywistnienie planów dotyczących energii wodorowej

Prowadzone w projekcie stanowią także ważny krok w kierunku upowszechnienia wykorzystania energii wodorowej. „HighHydrogenML to jeden z elementów wielkiej układanki, która ostatecznie ma zapewnić nam zrównoważoną energię dzięki wydajnej i przystępnej cenowo gospodarce wodorowej”, podsumowuje Vassilev-Galindo. Vassilev-Galindo planuje kontynuować prace rozwojowe i wykorzystać podejścia XAI do rozwiązywania problemów chemii obliczeniowej, a także zdobyć nową wiedzę na temat chemii i fizyki cząsteczek i materiałów. Ma nadzieję, że praca ta doprowadzi do poszerzenia wiedzy i odkryć, które będą miały pozytywny wpływ na przemysł, zdrowie, środowisko i całe społeczeństwo.

Znajdź inne artykuły w tej samej dziedzinie zastosowania

Moja broszura 0 0