В недавней статье, подготовленной Хао Ли из Института перспективных исследований материалов Университета Тохоку (WPI-AIMR), рассматривается состояние этого явления.

"Наш главный вывод состоял в том, что сочетание низкоразмерной обработки данных, основанной на дескрипторах теории функционала плотности (DFT), и многомерной аналитики, основанной на крупномасштабных вычислительных наборах данных и машинном обучении (ML), ускоряет разработку электрокатализаторов следующего поколения. Этот подход также позволяет глубже понять взаимосвязь структуры и свойств катализаторов, обеспечивая более быстрые и эффективные процессы обнаружения".

Параметры, полученные на основе DFT, традиционно использовались для создания прогнозирующих вулканических моделей электрохимических реакций, связывающих дескрипторы атомного масштаба с макроскопическими характеристиками. Этот малоразмерный подход сыграл решающую роль в понимании взаимосвязи между структурами катализаторов и их электрохимическими характеристиками. Однако распространение науки о многомерных данных, поддерживаемое крупномасштабными наборами данных и методами ML, расширяет возможности расшифровки более сложных взаимосвязей между структурой и свойствами.

Возможности машинного обучения (MLP) становятся ключевой технологией в этом сдвиге, соединяющей квантовую точность с масштабируемостью вычислений. MLP ускоряют расчеты энергии термодинамической адсорбции и позволяют более эффективно моделировать динамические каталитические механизмы. В результате ожидается, что MLP будут играть центральную роль в будущем проектировании электрокатализаторов, решая некоторые проблемы, которые в настоящее время ограничивают разработку катализаторов.

Важным аспектом, раскрытым в статье, была интеграция теоретических знаний, вычислительной эффективности и экспериментальной проверки. Благодаря соединению этих элементов ускоряется разработка электрокатализаторов для критически важных энергетических применений, таких как топливные элементы, электролизеры и аккумуляторы, что способствует глобальному переходу к решениям в области устойчивой энергетики. Авторы также обсудили платформу цифрового катализа (DigCat), крупнейшую на сегодняшний день базу данных по экспериментальному катализу и цифровую платформу, разработанную Лабораторией Хао Ли.

Ли добавляет: "Наука о данных меняет наш подход к проектированию электрокатализаторов. Используя вычислительные модели и методы машинного обучения, мы не только повышаем эффективность обнаружения катализаторов, но и повышаем их производительность в реальных приложениях".

Заглядывая в будущее, можно сказать, что эти разработки обещают прорыв в разработке катализаторов, делая технологии получения чистой энергии более доступными. Эта работа прокладывает путь к созданию катализаторов, способных заменить энергетические системы, работающие на ископаемом топливе, помогая снизить зависимость от невозобновляемых ресурсов.

В статье, опубликованной в Journal of Catalysis, подчеркивается преобразующая роль науки о данных в электрокатализе. Плата за APC была поддержана Программой поддержки университета Тохоку.