Nieuw neuraal netwerkraamwerk bevordert grootschalige simulaties van zeolieten

De Nanomaterials Modeling-groep van Dr. Grajciar en Dr. Heard van de Faculteit Wetenschappen, Charles University ontwikkelt en past een reeks computationele methoden toe om materialen met een aanzienlijk industrieel potentieel te bestuderen, evenals bestaande industrieel geëxploiteerde materialen met als doel hun optimalisatie.

Ze hebben een nieuw, op machine learning gebaseerd raamwerk ontwikkeld dat uitgebreid onderzoek van dergelijke materialen onder bedrijfsomstandigheden mogelijk maakt. Hun resultaten zijn geweest gepubliceerd in Natuurcommunicatie.

Zeolieten zijn een klasse van microporeuze aluminosilicaten met een enorme structurele en chemische diversiteit, die voortkomt uit de talloze stabiele driedimensionale arrangementen van covalent verbonden silica/aluminiumoxide-tetraëders. Dit maakt zeolieten tot een veelzijdige materiaalklasse met toepassingen variërend van thermische energieopslag tot gasscheiding en waterzuivering, maar vooral in heterogene katalyse.

Tot nu toe is een uitgebreide verkenning van hun enorme structurele en chemische diversiteit echter grotendeels gebaseerd op een proefondervindelijke experimentele aanpak en op vereenvoudigde theoretische modellen.

Met de komst van machine learning ligt de kans open voor zowel een enorme versnelling van de computationele simulaties als de adoptie van veel realistischere en complexere modellen van de (katalytische) materialen. Dit is waar de groep van Dr. Grajciar en Dr. Heard gebruik van maakte, door een model te ontwikkelen gebaseerd op convolutionele neurale netwerken die in staat zijn om de atomistische simulaties van verschillende materiaalklassen met ordes van grootte te versnellen.

Ze concentreerden zich in het bijzonder op de uiterst belangrijke klasse van protonengewisselde aluminosilicaatzeolieten, die een van de hoekstenen vormen van bestaande petrochemische processen, die op Megaton-schaal worden geproduceerd, en een van de belangrijkste kandidaten voor opkomende toepassingen in de duurzame chemie.

Belangrijk is dat naast de versnelling van de atomistische simulaties werd aangetoond dat de machinale leermodellen in staat waren tot nu toe ongeziene chemische processen en soorten in deze materialen te ontdekken. Bovendien werd ook geïllustreerd hoe deze basale neurale netwerkmodellen kunnen worden uitgebreid om de nauwkeurigheid en bemonsteringsefficiëntie verder te verbeteren in combinatie met andere geavanceerde, op machine learning gebaseerde tools.

Samenvattend vertegenwoordigt het op ML gebaseerde raamwerk dat is geïntroduceerd in het werk van de Nanomaterials Modeling-groep een grote stap in de richting van grootschalige simulaties van een uiterst belangrijke klasse van katalytische materialen – zeolieten – die langdurige uitdagingen in het veld aanpakken, variërend van het begrijpen van de mechanistische onderbouwing van de hydrothermische (in)stabiliteit van zeoliet tot de bepaling van het karakter van actieve soorten en defecten onder bedrijfsomstandigheden.

Dit werk vertegenwoordigt een belangrijk gebruiksvoorbeeld van het potentieel van machinaal leren voor rationeel materiaalontwerp.