Descubrimiento acelerado de electrocatalizadores de CO2 utilizando aprendizaje automático activo

Área de la Ciencia:

• La electroquímica
• Ciencias de los materiales
• Catálisis

Sus antecedentes:

• La creciente demanda mundial de energía requiere soluciones de energía renovable.
• La reducción electroquímica del dióxido de carbono (CO2) ofrece una vía para almacenar la energía solar y eólica intermitente.
• Los catalizadores a base de cobre son fundamentales para la producción de valiosos productos multicarbónicos a partir del CO2, pero la eficiencia y la productividad actuales son limitantes.

Objetivo del estudio:

• Desarrollar nuevos electrocatalizadores para la reducción eficiente de CO2 al etileno.
• Superar las limitaciones de los electrocatalizadores de cobre existentes en términos de eficiencia energética y productividad.
• Aprovechar los enfoques computacionales y de aprendizaje automático para el descubrimiento de catalizadores.

Principales métodos:

• Cálculos de la teoría funcional de la densidad combinados con aprendizaje automático activo para identificar composiciones de electrocatalizadores prometedoras.
• Experimentos de reducción electroquímica para evaluar el rendimiento del catalizador.
• Espectroscopia de absorción de rayos X in situ para investigar la estructura y el mecanismo del catalizador.

Principales resultados:

• Los electrocatalizadores Cu-Al demostraron la mayor eficiencia Faradaic reportada para la conversión de CO2 en etileno (> 80%).
• Se obtiene una alta densidad de corriente (400 mA/cm2) a 1,5 V frente a RHE con una eficiencia de conversión de potencia de etileno del 55% a 150 mA/cm2.
• Los estudios computacionales indicaron que las aleaciones de Cu-Al proporcionan sitios óptimos de unión de CO y orientaciones superficiales para una reducción eficiente y selectiva de CO2.

Conclusiones:

• Los electrocatalizadores Cu-Al representan un avance significativo con respecto al cobre puro para la electrorreducción de CO2.
• Los efectos sinérgicos en las aleaciones de Cu-Al, incluida la coordinación favorable de Cu, mejoran la formación de enlaces C-C para la producción de etileno.
• Este trabajo pone de relieve el poder de la integración de la computación y el aprendizaje automático en el diseño de electrocatalizadores multi-metálicos avanzados.