Computers kun je aanleren om te voorspellen of een specifieke metaallegering een chemische reactie zal katalyseren. Dat beweren althans Virginia Tech-onderzoekers Luke Achenie en Hongliang Xin in Journal of Physical Chemistry Letters.

Tot nu toe moet je al die legeringen afzonderlijk uitproberen. Vooraf uitrekenen of een katalysator zal werken, is immers onmogelijk zolang de wetenschap nog maar een vaag idee heeft van wat er op moleculaire schaal precies gebeurt. Hooguit kun je achteraf berekenen of je vage idee in theorie zou kunnen kloppen.

Achenie en Xin stellen nu voor om het te proberen met wat ze in de ICT ‘machine learning’ noemen. Van een aantal legeringen verzamel je concrete gegevens, zoals het patroon van de elektronenbanen aan het oppervlak en de adsorptieënergie waarmee je reactanten worden gebonden. Die data voer je aan een kunstmatig neuraal netwerk dat verbanden legt die je zelf niet zomaar ziet, en zo uiteindelijk kan voorspellen wat een ándere legering zal doen.

Ze hebben het geprobeerd met de elektrochemische reductie van koolstofdioxide, waarbij ze zich vooralsnog beperkten tot volmaakt zuivere legeringen met brandschone [100]-kristaloppervlakken. Ze vonden inderdaad een paar multimetaalelektroden (als in: koper en nog wat) die qua efficiëntie en selectiviteit veelbelovend lijken. De CO₂ eindigt daarbij als etheen, de belangrijkste grondstof voor goedkope plastics en dus min of meer de heilige Graal van de broeikasgasreductie.

Xin denkt dat je zulke neurale netwerken nog veel meer kunt aanleren, en zo bijvoorbeeld ook zult kunnen kijken naar defecten in het metaaloppervlak en naar reactanten of producten die eventueel de katalysator kunnen vergiftigen.

bron: Virginia Tech