Descubrimiento y optimización guiados por el aprendizaje automático de aditivos en la preparación de catalizadores de...

Área de la Ciencia:

• La electroquímica
• Ciencias de los materiales
• Catálisis

Sus antecedentes:

• El descubrimiento y la optimización de catalizadores son cruciales para las transformaciones químicas.
• El aprendizaje automático (ML) ofrece potentes herramientas para acelerar el desarrollo de materiales a través del análisis de datos.
• Los catalizadores de cobre (Cu) se estudian ampliamente para la reducción de dióxido de carbono (CO2RR) en varios productos.

Objetivo del estudio:

• Demostrar la aplicación de ML en la búsqueda iterativa de aditivos en la preparación electroquímica de catalizadores de cobre para CO2RR.
• Acelerar el descubrimiento y la optimización de catalizadores de Cu con mayor selectividad para productos específicos de CO2RR.

Principales métodos:

• Se empleó un flujo de trabajo de ML iterativo que incluía pruebas experimentales, análisis de ML y predicción / rediseño.
• Se utilizó la deposición electroquímica para preparar catalizadores de Cu con diversos aditivos.
• Los modelos ML fueron entrenados y utilizados para guiar el rediseño del catalizador basado en datos experimentales.

Principales resultados:

• El proceso iterativo impulsado por ML identificó con éxito formulaciones de catalizadores con una mejor selectividad de CO2RR.
• Los catalizadores obtenidos demostraron selectividad hacia el monóxido de carbono (CO), el ácido fórmico (HCOOH) y los productos C2+ (por ejemplo, etileno, etanol).
• Se ha demostrado que los cambios sutiles en la morfología y la estructura de la superficie del catalizador, influenciados por los aditivos, afectan significativamente la selectividad de la CO2RR.

Conclusiones:

• El ML acelera significativamente el descubrimiento y la optimización de catalizadores mediante la extracción eficiente de información de datos experimentales limitados.
• El enfoque ML desarrollado proporciona una estrategia viable para el diseño de catalizadores selectivos de Cu para CO2RR.
• Este trabajo destaca el potencial de integrar el aprendizaje automático con los esfuerzos experimentales en la ciencia de los materiales para el rápido desarrollo de catalizadores.