研究人员在研究替代化石燃料的大规模和小规模方法时，正在为完全依赖可再生能源铺平道路。一种有希望的途径是使用可再生电力将简单化学品转化为有价值的化学品，包括减少二氧化碳或水分解等过程。但为了将这些过程扩大到广泛使用，我们需要发现新的电催化剂 - 增加电极表面发生的电化学反应速率的物质。为此，卡内基梅隆大学的研究人员正在寻找新方法来加速发现过程：机器学习。
化学工程助理教授(ChemE)的Zack Ulissi和他的团队正在利用机器学习来指导电催化剂的发现。研究人员花费数小时对可能无法完成工作的材料进行常规计算。Ulissi的团队创建了一个自动化这些常规计算的系统，探索了大型搜索空间，并提出了具有良好电催化性能的新合金。
“这让我们可以花时间去问科学问题，比如'你如何预测某些东西的属性'，'什么是热力学模型'，'系统的模型是什么'，或者'你如何代表系统?'“Ulissi说。
研究人员测试了他们的发现金属间化合物的方法，这种金属间化合物可以制造出适合二氧化碳减少和氢析出的电催化剂 - 两种非常复杂的反应。良好的电催化剂价格低廉，具有选择性，活性，高效和稳定。许多电催化剂由一类称为金属间化合物的金属制成，当放在一起时具有确定的晶体结构。借助机器学习系统，它可以快速筛选金属间化合物的组合，以获得与良好电催化剂相关的一种或多种特性。
Ulissi和Kevin Tran，ChemE博士。学生，有一个脚本系统，每晚都会在数千个金属间化合物上搜索数百万个吸附位点的数据库，或者其他元素可以粘附的地方。基于该搜索，系统构建机器学习模型以预测第二天应该在哪个站点运行计算。然后运行计算，更多地了解每个金属间位点的属性，结果存储在数据库中并用于重新训练模型。然后循环重复自己，每次都找到更好，更有趣的材料。通过这种方式，它可以对任何不能制造出良好催化剂的材料进行折扣，但是研究人员相信系统建议的材料不会导致死胡同。
“我们建造的是智能机器，但我们的目标并非真正的智能机器，”该研究的共同作者Tran说。“我们的目标是创建一台能够获取数据的机器。因此我们真正将机器用作农民，以智能方式收集数据。”
虽然人类每周可以研究大约10到20个新能量，但该机器每天可以研究数百个。在自动化系统之前，研究人员必须将空间缩小到一类材料并在该空间中工作。现在，他们可以采取更全面的方法。
通过发表在Nature Catalysis上的这项研究，研究人员列出了实验主义者应该尝试的材料和金属间组合，包括用于析氢和减少二氧化碳。然后，实验将确定什么能够为大规模制造出良好的电催化剂。
“我认为人们之前没有这样做过。” 乌利西说。“在这一点上，我们只是缩小了实验主义者应该关注的范围。我们能够证明这个空间比人们想象的要大。我们发现了有趣的想法 - 就像你拿两件太弱的东西，他们实际上可能会变得更强大我们不知道我们是否会找到这样的结果。“