Artificiell intelligens kan hjälpa till att skapa grön el

För att kunna skapa teknologier för grön energi som är mer effektiva och ekonomiska behövs bättre material. Detta kräver i sin tur att man kan mäta och kontrollera ytstrukturerna hos fasta material på atomnivå.

Men på grund av tekniska begränsningar och höga kostnader är det en stor utmaning.

– Katalysatorer är en stor del av övergången till grön energi. Om vi kan räkna ut hur atomerna arrangerar sig på fasta ytor, så kan vi utveckla bättre katalysatorer, säger Lindsay Merte vid Malmö universitet.

Legering fungerar som katalysator

En katalysator är ett material som startar en kemisk reaktion som inte sker av sig själv. Katalysatorer används vid 80 procent av all produktion av kemikalier och i bränsleceller som omvandlar kemisk energi till elektricitet.

Ett forskarlag har gjort en studie på en legering av platina och tenn som fungerar som en katalysator. Vid kemiska rektioner bildas lager av tennoxid på ytan. Man tror att dessa oxider förbättrar effektiviteten i bränsleceller, men det är oklart hur oxiderna är uppbyggda. För att förstå mer är det viktigt att studera vilka atomer som finns just på ytan. Det är genom ändringar där som man påverkar hur en katalysator fungerar.

– För 3D-material har vi mycket bra metoder för att kartlägga strukturer. Men det kan inte användas lika enkelt på en jätteliten del som ytan, och därför blir det mycket svårt och tidskrävande. Med dessa tennoxider kunde vi inte med enbart experiment hitta hur atomerna arrangerar sig, säger Lindsay Merte.

Maskininlärning snabbar på tester

Den exakta atomstrukturen är avgörande för hur katalysatorn fungerar, och därför vill forskarna förstå hur ytorna förändras när de utsätts för vätska eller gas.

Detta kräver ibland flera år av experiment, stor datorkraft och är mycket kostsamt. Det som Lindsay Merte och hans forskarkollegor visat är hur maskininlärning – som är en form av artificiell intelligens – kan användas för att snabba på processen.

– Med maskininlärningsmetoderna kan datorn lära sig att förutsäga om en atomstruktur kommer att vara stabil eller inte utan att behöva utföra så många dyra simuleringar. Detta låter oss testa möjliga strukturer mycket snabbare, vilket är vad vi behöver för att hitta rätt.

Forskarna visade hur maskininlärning kunde användas för att hitta strukturen på platina-tennlegeringen. De kunde bevisa att den var den korrekta bland annat genom att använda mikroskopi i atomskala och röntgenspridning.

– Nu när vi känner till strukturen kan vi börja titta på dess kemiska egenskaper och försöka lista ut vad som gör den så bra som katalysator. Och med denna information kan vi förhoppningsvis designa katalysatorer som fungerar ännu bättre, säger Lindsay Merte.

Vetenskaplig studie:

Structure of an Ultrathin Oxide on Pt3Sn(111) Solved by Machine Learning Enhanced Global Optimization, Angewandte Chemie .

Kontakt:

Lindsay Merte, docent i fysik vid Malmö universitet, lindsay.merte@mau.se