مهندسان در حال توسعه راهی برای تعیین نحوه رفتار سطوح مواد هستند

طراحی ترکیبات یا آلیاژهای جدید که سطوح آنها می تواند به عنوان کاتالیزور در واکنش های شیمیایی مورد استفاده قرار گیرد، می تواند فرآیند پیچیده ای باشد که به شدت بر شهود شیمیدانان مجرب تکیه دارد. تیمی از محققان MIT رویکرد جدیدی را با استفاده از یادگیری ماشین توسعه داده‌اند که نیاز به شهود را از بین می‌برد و اطلاعات دقیق‌تری را نسبت به روش‌های مرسوم در عمل ارائه می‌دهد.

برای مثال، با اعمال سیستم جدید بر روی ماده‌ای که قبلاً به مدت 30 سال با روش‌های معمولی مورد مطالعه قرار گرفته بود، تیم دریافت که سطح این ترکیب می‌تواند دو پیکربندی اتمی جدید را تشکیل دهد که قبلاً شناسایی نشده بودند، و این پیکربندی دیگر، مشاهده شده در آثار قبلی احتمالاً ناپایدار است.

یافته ها در مجله شرح داده شده است علوم محاسباتی طبیعتدر گزارشی توسط Xiaochen Du، دانشجوی فارغ التحصیل MIT، استادان Rafael Gómez-Bombarelli و Bilge Yildiz، لین لی، عضو فنی آزمایشگاه MIT Lincoln، و سه نفر دیگر.

سطوح مواد اغلب با محیط اطراف خود به گونه‌ای برهم‌کنش می‌کنند که به پیکربندی دقیق اتم‌ها روی سطح بستگی دارد، که بسته به اینکه کدام بخش از ساختار اتمی مواد در معرض دید قرار می‌گیرد، می‌تواند متفاوت باشد. یک کیک لایه ای با کشمش و آجیل در نظر بگیرید: بسته به نحوه برش کیک، مقادیر و چینش لایه ها و میوه های مختلف در لبه برش شما نمایان می شود.

محیط زیست نیز مهم است. سطح کیک اگر در شربت آغشته شود و خیس و چسبناک شود یا اگر در فر گذاشته شود، سطح آن ترد و تیره می شود، متفاوت به نظر می رسد. این شبیه به نحوه واکنش سطوح مواد هنگام غوطه ور شدن در مایع یا قرار گرفتن در معرض دماهای مختلف است.

روش‌هایی که معمولاً برای توصیف سطوح مواد استفاده می‌شوند، ایستا هستند و به یک پیکربندی خاص از بین میلیون‌ها احتمال نگاه می‌کنند. روش جدید امکان ارزیابی تمام تغییرات را بر اساس تنها چند محاسبات اصلی اول به طور خودکار با تکرار انتخاب می کند. فراگیری ماشین فرآیند یافتن موادی با خواص مطلوب.

علاوه بر این، برخلاف روش‌های معمول فعلی، سیستم جدید را می‌توان برای ارائه اطلاعات دینامیکی در مورد چگونگی تغییر خواص سطح در طول زمان تحت شرایط عملیاتی گسترش داد، برای مثال زمانی که یک کاتالیزور فعالانه یک واکنش شیمیایی را ترویج می‌کند، یا زمانی که یک الکترود باتری در حال شارژ یا تخلیه است. .

روش محققین که آن را چارچوب بازسازی خودکار سطح می نامند، از نیاز به استفاده از نمونه های انتخاب شده دستی از سطوح برای آموزش شبکه عصبی مورد استفاده در شبیه سازی جلوگیری می کند. در عوض، با یک مثال واحد از یک سطح برش تمیز شروع می‌شود، سپس از یادگیری فعال ترکیب شده با الگوریتم نوع مونت کارلو برای انتخاب مکان‌های نمونه بر روی آن سطح استفاده می‌کند، و نتایج هر مکان نمونه را برای هدایت انتخاب در سایت‌های زیر ارزیابی می‌کند.

این تیم گزارش می دهد که با استفاده از کمتر از 5000 محاسبه اصل اول، از میلیون ها ترکیب و پیکربندی شیمیایی ممکن، این سیستم می تواند پیش بینی های دقیقی از انرژی های سطحی در پتانسیل های شیمیایی یا الکتریکی مختلف به دست آورد.

دو می گوید: «ما به ترمودینامیک نگاه می کنیم، به این معنی که تحت انواع مختلف شرایط خارجی مانند فشار، دما و پتانسیل شیمیایی، که می تواند به غلظت یک عنصر خاص مرتبط باشد، [we can investigate] پایدارترین ساختار برای سطح چیست؟

در اصل، تعیین خواص ترمودینامیکی سطح یک ماده مستلزم دانستن انرژی‌های سطح در یک آرایش اتمی خاص و سپس تعیین میلیون‌ها بار این انرژی‌ها برای ثبت همه تغییرات ممکن و ثبت دینامیک فرآیندهای در حال وقوع است. گومز-بومبارلی می‌گوید در حالی که از نظر تئوری انجام این کار به صورت محاسباتی امکان‌پذیر است، اما در مقیاس آزمایشگاهی معمولی «به سادگی در دسترس نیست».

او می گوید که محققان تنها با مطالعه چند مورد خاص توانستند به نتایج خوبی دست یابند، اما این برای ارائه یک تصویر آماری واقعی از ویژگی های دینامیکی موجود کافی نیست.

با استفاده از روش آنها، Du می‌گوید: «ما ویژگی‌های جدیدی داریم که به ما امکان می‌دهد از ترمودینامیک ترکیب‌ها و پیکربندی‌های مختلف نمونه‌برداری کنیم. ما همچنین نشان می‌دهیم که می‌توانیم آن‌ها را با هزینه کمتر، با تخمین‌های انرژی مکانیکی کوانتومی ارزان‌تر به دست آوریم. و ما قادر به انجام این کار برای مواد سخت تر نیز هستیم، از جمله مواد سه تایی.

او می‌گوید: «آنچه به‌طور سنتی در این زمینه انجام می‌شد این است که محققان، بر اساس شهود و دانش خود، تنها چند سطح را برای فرضیات آزمایش می‌کنند. اما ما نمونه‌برداری سرتاسری انجام می‌دهیم، و این به طور خودکار انجام می‌شود.» او می‌گوید: «ما فرآیندی را تغییر داده‌ایم که زمانی غیرممکن یا بسیار چالش برانگیز بود، زیرا نیاز به شهود انسانی بود. ما اکنون به حداقل مشارکت انسانی نیاز داریم. ما فقط سطح بکر را فراهم می کنیم و ابزار ما بقیه کارها را انجام می دهد.

این ابزار یا مجموعه‌ای از الگوریتم‌های رایانه‌ای که AutoSurfRecon نام دارد، به‌طور رایگان در اختیار محققان قرار گرفته است تا بتوان آن را دانلود کرد و توسط همه محققان در سراسر جهان برای کمک به توسعه مواد کاتالیزوری جدید مانند تولید « هیدروژن سبز” به عنوان سوخت جایگزین بدون انتشار یا برای باتری یا اجزای سلول سوختی جدید.

به عنوان مثال، گومز-بومبارلی، در توسعه کاتالیزورهایی برای تولید هیدروژن، می‌گوید: “بخشی از مشکل این است که واقعاً درک نمی‌شود که سطح سطح آنها با حجم آنها در زمانی که چرخه کاتالیزوری در حال انجام است متفاوت است. بنابراین، این تفاوت بین چگونگی وجود دارد. این ماده هنگام استفاده چگونه به نظر می رسد و زمانی که قبل از عملی شدن آماده می شود چگونه به نظر می رسد.”

او می افزاید که «در انتها، در کاتالیز، نهادی که مسئول انجام کاری کاتالیزور است، چند اتم در معرض سطح است، بنابراین واقعاً اهمیت زیادی دارد که سطح دقیقاً در حال حاضر چگونه به نظر می رسد.

یکی دیگر از کاربردهای بالقوه در مطالعه دینامیک است واکنش شیمیایی برای حذف دی اکسید کربن از هوا یا از انتشار گازهای گلخانه ای نیروگاه استفاده می شود. این واکنش ها اغلب با استفاده از ماده ای انجام می شود که به عنوان نوعی اسفنج جاذب اکسیژن عمل می کند، بنابراین اتم های اکسیژن را از مولکول های دی اکسید کربن جدا می کند و مونوکسید کربن را پشت سر می گذارد که می تواند یک سوخت مفید یا ماده اولیه شیمیایی باشد. گومز-بومبارلی می‌گوید که توسعه چنین موادی «نیازمند درک این است که سطح با اکسیژن چه می‌کند و ساختار آن چگونه است».

محققان با استفاده از ابزار خود، آرایش اتمی سطح ماده پروسکایتی اکسید تیتانیوم استرانسیوم یا SrTiO را بررسی کردند.₃، که قبلاً توسط دیگران با استفاده از روش های مرسوم برای بیش از سه دهه تجزیه و تحلیل شده است، اما هنوز به طور کامل درک نشده است. آنها دو آرایش جدید از اتم ها را در آن کشف کردند سطح که قبلاً گزارش نشده است، و آنها پیش بینی می کنند که توافقی که گزارش شده است در واقع بعید است که اتفاق بیفتد.

گومز-بومبارلی می گوید: «این نشان می دهد که این روش بدون شهود کار می کند. و این خوب است، زیرا گاهی اوقات شهود اشتباه است و آنچه مردم فکر می‌کردند درست است اشتباه می‌شود.» به گفته او، این ابزار جدید به محققان امکان می‌دهد بیشتر کاوش کنند و بیشتر آزمایش کنند – طیف وسیعی از احتمالات.

اکنون که کد آنها برای جامعه عمومی منتشر شده است، او می‌گوید، “ما امیدواریم که الهام بخش بسیاری از بهبودهای سریع” از سوی دیگر کاربران باشد.

این تیم شامل جیمز داموود، Ph.D. دانشجوی MIT، Jaclyn Lunger Ph.D، که اکنون در Flagship Pioneering است، و Reisel Millan، فوق دکترای سابق که اکنون در موسسه فناوری شیمیایی در اسپانیا است.

این خبر با حسن نیت از MIT News بازنشر شده است (web.mit.edu/newsoffice/، یک سایت محبوب است که اخبار مربوط به تحقیق، نوآوری و آموزش MIT را پوشش می دهد.