Ideato un metodo basato sull’apprendimento automatico per studiare il comportamento dei materiali sulle loro superfici. L’approccio potrebbe aiutare a sviluppare composti o leghe da utilizzare come catalizzatori, semiconduttori o componenti di batterie
Comprendere le superfici e le interfacce dei materiali è vitale in applicazioni come la catalisi o l'elettronica. Combinando le energie della struttura elettronica con la meccanica statistica, le simulazioni ab initio possono, in linea di principio, prevedere la struttura delle superfici dei materiali in funzione delle variabili termodinamiche. Tuttavia, simulazioni energetiche accurate sono proibitive se accoppiate al vasto spazio delle fasi che deve essere campionato statisticamente.
La progettazione di nuovi composti o leghe le cui superfici possono essere utilizzate come catalizzatori nelle reazioni chimiche può essere un processo complesso che fa molto affidamento sull'intuizione di chimici esperti. Un team di ricercatori del Massachusetts Institute of Technology (MIT) ha ideato un nuovo approccio utilizzando l’apprendimento automatico che elimina la necessità dell’intuizione e fornisce informazioni più dettagliate di quelle che i metodi convenzionali possono praticamente ottenere.
Ad esempio, applicando il nuovo sistema a un materiale che è già stato studiato per 30 anni con mezzi convenzionali, il team ha scoperto che la superficie del composto potrebbe formare due nuove configurazioni atomiche che non erano state precedentemente identificate, e che un'altra configurazione vista in lavori precedenti è probabilmente instabile.
I risultati sono descritti sulla rivista Nature Computational Science (1), in un articolo dello studente laureato del MIT Xiaochen Du (2), dei professori Rafael Gómez-Bombarelli (3) e la dottoressa Bilge Yildiz (4), del membro dello staff tecnico del Lincoln Laboratory del MIT Lin Li e di altri tre.
Le superfici dei materiali spesso interagiscono con l'ambiente circostante in modi che dipendono dall'esatta configurazione degli atomi sulla superficie, che può differire a seconda di quali parti della struttura atomica del materiale sono esposte. Pensa a una torta a strati con uvetta e noci: a seconda di come tagli la torta, sul bordo della tua fetta verranno esposte diverse quantità e disposizioni degli strati e dei frutti. Anche l’ambiente conta. La superficie della torta avrà un aspetto diverso se viene bagnata nello sciroppo, rendendola umida e appiccicosa, oppure se viene messa in forno, rendendo la superficie croccante e scura. Questo è simile al modo in cui le superfici dei materiali rispondono quando immerse in un liquido o esposte a temperature variabili.
I metodi solitamente utilizzati per caratterizzare le superfici dei materiali sono statici e prendono in considerazione una particolare configurazione tra milioni di possibilità. Il nuovo metodo consente una stima di tutte le variazioni, sulla base di pochi calcoli di principi primi scelti automaticamente da un processo iterativo di apprendimento automatico, al fine di trovare i materiali con le proprietà desiderate.
Inoltre, a differenza dei tipici metodi attuali, il nuovo sistema può essere esteso per fornire informazioni dinamiche su come le proprietà superficiali cambiano nel tempo in condizioni operative, ad esempio mentre un catalizzatore promuove attivamente una reazione chimica o mentre l'elettrodo di una batteria si sta caricando oppure è scarico.
Il metodo dei ricercatori, che chiamano quadro di ricostruzione automatica della superficie, evita la necessità di utilizzare esempi di superfici selezionati con cura per addestrare la rete neurale utilizzata nella simulazione. Si inizia invece con un singolo esempio di superficie tagliata incontaminata, quindi si utilizza l'apprendimento attivo combinato con una sorta di algoritmo Monte-Carlo per selezionare i siti da campionare su quella superficie, valutando i risultati di ciascun sito di esempio per guidare la selezione del successivo. Utilizzando meno di 5.000 calcoli basati sui principi primi, tra milioni di possibili composizioni e configurazioni chimiche, il sistema può ottenere previsioni accurate delle energie superficiali attraverso vari potenziali chimici o elettrici, riferisce il team.
«Stiamo esaminando la termodinamica», afferma Du, «il che significa che, in diversi tipi di condizioni esterne come pressione, temperatura e potenziale chimico, che possono essere correlati alla concentrazione di un determinato elemento, [possiamo indagare] cosa è la struttura più stabile per la superficie?»
Il dottor Rafael Gómez-Bombarelli spiega: «In linea di principio, determinare le proprietà termodinamiche della superficie di un materiale richiede la conoscenza delle energie superficiali attraverso una specifica disposizione atomica singola e quindi la determinazione di tali energie milioni di volte per comprendere tutte le possibili variazioni e per catturare la dinamica dei processi in atto. Sebbene in teoria sia possibile farlo a livello computazionale, “semplicemente non è conveniente” su una tipica scala di laboratorio. I ricercatori sono riusciti a ottenere buoni risultati esaminando solo alcuni casi specifici, ma questi non sono sufficienti per fornire un quadro statistico reale delle proprietà dinamiche coinvolte».
«Usando il loro metodo», dice il dottor Xiaochen Du, «abbiamo nuove funzionalità che ci permettono di campionare la termodinamica di diverse composizioni e configurazioni. Dimostriamo anche che siamo in grado di raggiungere questi obiettivi a un costo inferiore, con valutazioni energetiche quantomeccaniche meno costose. E siamo in grado di farlo anche per i materiali più duri, compresi i materiali a tre componenti. Ciò che viene tradizionalmente fatto sul campo, è che i ricercatori, sulla base della loro intuizione e conoscenza, testeranno solo alcune superfici ipotizzabili. Ma eseguiamo un campionamento completo e lo facciamo automaticamente. Abbiamo trasformato un processo che una volta era impossibile o estremamente impegnativo a causa della necessità dell'intuizione umana. Ora, abbiamo bisogno di un input umano minimo. Forniamo semplicemente la superficie incontaminata e il nostro strumento si occupa del resto».
Questo strumento, o insieme di algoritmi informatici, chiamato AutoSurfRecon, è stato reso disponibile gratuitamente dai ricercatori in modo che possa essere scaricato e utilizzato da qualsiasi ricercatore nel mondo per aiutare, ad esempio, nello sviluppo di nuovi materiali per catalizzatori, come per produzione di idrogeno “verde” come combustibile alternativo privo di emissioni o per nuove batterie o componenti di celle a combustibile.
Ad esempio, afferma Gómez-Bombarelli, nello sviluppo di catalizzatori per la produzione di idrogeno, «parte del problema è che non si capisce davvero come la loro superficie sia diversa dalla massa durante il ciclo catalitico. Quindi, c’è questa disconnessione tra come appare il materiale quando viene utilizzato e come appare quando viene preparato prima di essere messo in azione. Alla fine, nella catalisi, l’entità responsabile del fatto che il catalizzatore faccia qualcosa sono alcuni atomi esposti sulla superficie, quindi è davvero molto importante come appare esattamente la superficie in questo momento».
Un'altra potenziale applicazione è lo studio della dinamica delle reazioni chimiche utilizzate per rimuovere l'anidride carbonica dall'aria o dalle emissioni delle centrali elettriche. Queste reazioni spesso funzionano utilizzando un materiale che agisce come una sorta di spugna per assorbire l'ossigeno, quindi strappa gli atomi di ossigeno dalle molecole di anidride carbonica, lasciando dietro di sé monossido di carbonio, che può essere un combustibile utile o una materia prima chimica. Lo sviluppo di tali materiali «richiede la comprensione di ciò che la superficie fa con gli ossigeni e di come è strutturata», afferma il professor Gómez-Bombarelli.
Utilizzando il loro strumento, i ricercatori hanno studiato la disposizione atomica superficiale dell'ossido di titanio e stronzio, materiale perovskite, o SrTiO3, che era già stato analizzato da altri con metodi convenzionali per più di tre decenni ma non era ancora del tutto compreso. Hanno scoperto due nuove disposizioni degli atomi sulla sua superficie non precedentemente segnalate e prevedono che una disposizione segnalata sia in realtà improbabile che si verifichi.
«Ciò evidenzia che il metodo funziona senza intuizioni», afferma il dottor Gómez-Bombarelli. «E questo è un bene perché a volte l'intuizione è sbagliata e ciò che la gente pensava fosse vero si rivela non essere così». «Questo nuovo strumento», ha affermato, «consentirà ai ricercatori di essere più esplorativi, sperimentando una gamma più ampia di possibilità».
Ora che il loro codice è stato rilasciato alla comunità in generale, dice, «speriamo che possa essere fonte di ispirazione per miglioramenti molto rapidi da parte di altri utenti».
Il team comprendeva James Damewood, uno studente di dottorato al MIT, Jaclyn Lunger PhD '23, che ora lavora al Flagship Pioneering, e Reisel Millan, un ex postdoc che ora lavora presso l'Institute of Chemical Technology in Spagna. Il lavoro è stato sostenuto dall’U.S. Air Force, dall'U.S. Department of Defense, e dall'U.S. National Science Foundation.
Riferimenti:
(1) Machine-learning-accelerated simulations to enable automatic surface reconstruction
(2) Xiaochen Du
(4) Bilge Yildiz
Descrizione foto: I ricercatori del MIT hanno ideato un metodo basato sull’apprendimento automatico per studiare il comportamento dei materiali sulle loro superfici. L’approccio potrebbe aiutare a sviluppare composti o leghe da utilizzare come catalizzatori, semiconduttori o componenti di batterie. - Credit: Massachusetts Institute of Technology (MIT).
Autore traduzione riassuntiva e adattamento linguistico: Edoardo Capuano / Articolo originale: MIT engineers develop a way to determine how the surfaces of materials behave