Раскрытие секретов химической связи с помощью машинного обучения

МЕНЮ


Искусственный интеллект
Поиск
Регистрация на сайте
Помощь проекту

ТЕМЫ


Новости ИИРазработка ИИВнедрение ИИРабота разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика

Авторизация



RSS


RSS новости


Новый подход к машинному обучению предлагает важную информацию о катализе - фундаментальном процессе, который позволяет уменьшить выброс токсичных выхлопных газов или производить необходимые материалы, такие как ткань, – пишет ekaprdweb01.eurekalert.org со ссылкой на Nature Communications.

В отчете Хунлян Синь, доцент кафедры химической инженерии в Технологическом институте Вирджинии, и его команда исследователей разработали Байесовскую модель обучения хемосорбции (Bayeschem) с целью использования искусственного интеллекта для раскрытия природы химической связи на поверхности катализатора.

«Все сводится к тому, как катализаторы связываются с молекулами, - сказал Синь. - Взаимодействие должно быть достаточно сильным, чтобы разорвать некоторые химические связи при достаточно низких температурах, но не слишком сильным, чтобы катализаторы не были отравлены промежуточными продуктами реакции. Это правило известно как принцип Сабатье в катализе».

По словам Синя, понимание того, как катализаторы взаимодействуют с различными промежуточными продуктами, и определение того, как контролировать силу их связи, чтобы они находились в пределах этой «зоны златовласки», является ключом к разработке эффективных каталитических процессов. Исследование предоставляет инструмент для этой цели.

Bayeschem использует байесовское обучение - специальный алгоритм машинного обучения для вывода моделей из данных. «Предположим, у вас есть модель предметной области, основанная на хорошо установленных физических законах, и вы хотите использовать ее, чтобы делать прогнозы или узнавать что-то новое о мире, - объяснил Сивен Ван, бывший докторант химической инженерии. - Байесовский подход заключается в изучении распределения параметров модели с учетом наших предварительных знаний и наблюдаемых, часто скудных данных, обеспечивая при этом количественную оценку неопределенности прогнозов модели».

Теория хемосорбции d-зоны, используемая в Bayeschem, - это теория, описывающая химические связи на твердых поверхностях с участием d-электронов, которые обычно имеют форму четырехлистного клевера. Модель объясняет, как d-орбитали атомов катализатора перекрываются и притягиваются к валентным орбиталям адсорбата, имеющим сферическую или гантелеобразную форму. Она считалась стандартной моделью в гетерогенном катализе с момента ее разработки Хаммером и Нёрсковым в 1990-х годах, и, хотя она оказалась успешной в объяснении тенденций связывания многих систем, Синь сказал, что модель временами терпит неудачу из-за внутренней сложности электронных взаимодействий.

По словам Синя, Bayeschem выводит теорию d-диапазона на новый уровень для количественной оценки этих сил взаимодействия и, возможно, адаптации некоторых регуляторов, таких как структура и состав, для разработки лучших материалов. Этот подход продвигает теорию хемосорбции с d-полосой, расширяя ее возможности прогнозирования и интерпретации адсорбционных свойств, которые имеют решающее значение для открытия катализатора. Однако по сравнению с моделями машинного обучения черного ящика, которые обучаются на больших объемах данных, точность прогнозов Bayeschem все еще может быть улучшена, - сказал Хемант Пиллаи, докторант химической инженерии в группе Синя, который в равной степени внес свой вклад в исследование.

«Возможность создавать высокоточные и интерпретируемые модели, основанные на алгоритмах глубокого обучения и теории хемосорбции, очень полезна для достижения целей искусственного интеллекта в катализе», - сказал Синь.

[Фото: ekaprdweb01.eurekalert.org]

Источник: ekaprdweb01.eurekalert.org

Комментарии: