Aprendizaje en dimensiones superiores: una estrategia para el descubrimiento de electrocatalizadores de aleaciones

Área de la Ciencia:

• Ciencia de Materiales
• Electroquímica
• Catálisis

Sus antecedentes:

• El descubrimiento tradicional de catalizadores utiliza un enfoque de abajo hacia arriba, que consume mucho tiempo.
• Las aleaciones complejas ofrecen potencial para un rendimiento catalítico mejorado, pero son difíciles de estudiar de manera integral.

Objetivo del estudio:

• Demostrar una estrategia novedosa de arriba hacia abajo para descubrir electrocatalizadores de conversión de energía.
• Desarrollar un método basado en datos que reduzca el número de experimentos necesarios para la optimización de catalizadores.

Principales métodos:

• Se empleó un enfoque de arriba hacia abajo, comenzando con una aleación compleja de alta entropía (HEA) que contiene múltiples elementos.
• Se realizó una selección descendente de elementos eliminando los constituyentes de bajo rendimiento de la aleación.
• Se creó un modelo de actividad de aprendizaje automático basado en datos experimentales de 200 composiciones de aleaciones.

Principales resultados:

• El estudio aplicó con éxito el enfoque de arriba hacia abajo al sistema de aleaciones de alta entropía (HEA) Au-Ir-Os-Pd-Pt-Re-Rh-Ru para la reacción de reducción de oxígeno (ORR).
• El modelo de aprendizaje automático demostró poder predictivo para la actividad de aleaciones menos complejas dentro del espacio de HEA.
• Este método reduce significativamente la carga experimental en comparación con el estudio individual de todas las aleaciones constituyentes.

Conclusiones:

• El enfoque de arriba hacia abajo es una estrategia eficiente para descubrir electrocatalizadores mejorados.
• Este método facilita la comparación de datos experimentales con simulaciones teóricas para modelar la actividad del catalizador.
• El modelo de aprendizaje automático desarrollado puede predecir el rendimiento de aleaciones más simples derivadas de HEA complejas.