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

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 این هفته در مجله شرح داده شده است علوم محاسباتی طبیعتکه در کاغذ 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 همه تغییرات را بر اساس تنها چند محاسبات اصول اولیه فراهم می‌کند که به‌طور خودکار توسط یک فرآیند یادگیری ماشینی تکراری انتخاب می‌شوند تا آن مواد با خواص مورد نظر را پیدا کنند.

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.

دو می گوید با استفاده از روش آنها، “ما ویژگی های جدیدی داریم که به ما امکان می دهد ترمودینامیک ترکیبات و پیکربندی های مختلف را نمونه برداری کنیم. ما همچنین نشان می‌دهیم که می‌توانیم آن‌ها را با هزینه کمتر، با تخمین‌های انرژی مکانیکی کوانتومی ارزان‌تر به دست آوریم. و ما همچنین قادر به انجام این کار برای مواد سخت تر، از جمله مواد سه تایی هستیم.

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 «سبز» استفاده کرد. هیدروژن به عنوان سوخت جایگزین بدون انتشار یا برای باتری های جدید یا اجزای سلول سوختی.

به عنوان مثال، گومز-بومبارلی، در توسعه کاتالیزورهای تولید هیدروژن، می‌گوید: «بخشی از مشکل این است که واقعاً درک نمی‌شود که مساحت سطح آن‌ها با حجمشان در زمانی که چرخه کاتالیزوری در حال انجام است، چقدر متفاوت است. بنابراین این تفاوت بین ظاهر مواد در هنگام استفاده و ظاهر آن در هنگام آماده شدن قبل از عملی شدن وجود دارد.

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 واکنش های شیمیایی است که برای حذف دی اکسید کربن از هوا یا از انتشارات نیروگاهی 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 می گوید: توسعه چنین موادی «نیازمند درک این است که سطح با اکسیژن چه می کند 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 اتم‌ها را روی سطح آن کشف کردند که قبلاً گزارش نشده بود، و پیش‌بینی کردند که آرایشی که گزارش شده بود واقعاً بعید است که رخ دهد.

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، دانشجوی دکترا در MIT، جاکلین لانگر دکترای سال 23، که اکنون در پرچمدار پیشگام است، و رایزل میلان، یک همکار سابق فوق دکترا که اکنون در موسسه فناوری شیمیایی در اسپانیا است، بود. این کار توسط نیروی هوایی ایالات متحده، وزارت دفاع ایالات متحده و بنیاد ملی علوم ایالات متحده پشتیبانی شد.