Откривањето подобри катализатори е едно од клучните прашања за поевтино и поефикасно производство на зелен водород. Тим од Институтот за основни науки во Јужна Кореја разви модел на длабоко учење кој не пребарува само во една позната група материјали, туку комбинира знаење од различни каталитички системи.
Истражувањето, објавено во Nature Materials, се фокусира на реакцијата на издвојување кислород при електролиза на вода. Овој чекор е бавен и бара дополнителна енергија, па подобар катализатор може директно да ја зголеми ефикасноста на добивањето водород без директни јаглеродни емисии.
Новиот пристап, наречен Crossbreeding Neural Network, истовремено учел од две семејства катализатори: едноатомски катализатори врз јаглеродна подлога и перовскитни оксиди. Првата група дава информации за однесувањето на поединечни метални атоми на површината, а втората за улогата на кристалната структура во внатрешноста на материјалот.
Со спојување на овие податоци, моделот предвидел активност на нова класа материјали што не била дел од обуката: едноатомски катализатори поставени врз перовскитни оксиди. Потоа истражувачите синтетизирале и тестирале 12 кандидати, при што моделот правилно го предвидел нивниот редослед според активноста.
Системот не се потпирал само на голи бројки. Со автоматски избор на хемиски описи, комбинирајќи статистика и обработка на природен јазик, биле издвоени фактори како оксидациска состојба, јонски радиус, број на валентни d-електрони, електронегативност и координациски број.
Во следниот чекор, тимот пресметковно проверил 8.008 повеќеметални кандидати. Најдобар резултат покажал катализатор со поединечни атоми на волфрам, молибден, рутениум и родиум врз перовскитна подлога од калциум, празеодим, кобалт и железо. Експериментите потврдиле дека овој материјал има пониско пренапрегање и повисока каталитичка активност од претходно испитаните споредливи системи.
Значењето на работата е во тоа што моделот не избирал само меѓу однапред познати кандидати, туку пренел знаење меѓу различни материјални семејства. Таквиот пристап може да биде корисен и надвор од катализата, на пример во развој на батерии, материјали за складирање енергија и други области каде податоците доаѓаат од различни експериментални извори.
