Teknologi prototipe menyusut AI untuk menghadirkan fungsionalitas seperti otak dalam satu perangkat yang kuat - ScienceDaily
Top News

Membuka rahasia ikatan kimia dengan pembelajaran mesin – ScienceDaily


Pendekatan pembelajaran mesin baru menawarkan wawasan penting tentang katalisis, sebuah proses mendasar yang memungkinkan pengurangan emisi gas buang beracun atau menghasilkan bahan penting seperti kain.

Dalam sebuah laporan yang diterbitkan di Komunikasi Alam, Hongliang Xin, profesor teknik kimia di Virginia Tech, dan tim penelitinya mengembangkan model pembelajaran kimiawi Bayesian, atau disingkat Bayeschem, yang bertujuan untuk menggunakan kecerdasan buatan untuk membuka sifat ikatan kimia pada permukaan katalis.

“Semuanya tergantung bagaimana katalis mengikat molekul,” kata Xin. “Interaksi harus cukup kuat untuk memutuskan beberapa ikatan kimia pada suhu yang cukup rendah, tetapi tidak terlalu kuat sehingga katalis akan diracuni oleh zat antara reaksi. Aturan ini dikenal sebagai prinsip Sabatier dalam katalisis.”

Memahami bagaimana katalis berinteraksi dengan perantara yang berbeda dan menentukan bagaimana mengontrol kekuatan ikatan mereka sehingga mereka berada dalam “zona goldilocks” adalah kunci untuk merancang proses katalitik yang efisien, kata Xin. Penelitian memberikan alat untuk tujuan itu.

Bayeschem bekerja menggunakan pembelajaran Bayesian, algoritma pembelajaran mesin khusus untuk menyimpulkan model dari data. “Misalkan Anda memiliki model domain berdasarkan hukum fisika yang mapan, dan Anda ingin menggunakannya untuk membuat prediksi atau mempelajari sesuatu yang baru tentang dunia,” jelas Siwen Wang, mantan mahasiswa doktoral teknik kimia. “Pendekatan Bayesian adalah untuk mempelajari distribusi parameter model yang diberikan pengetahuan kami sebelumnya dan data yang diamati, seringkali langka, sambil memberikan kuantifikasi ketidakpastian dari prediksi model.”

Teori kemisorpsi d-band yang digunakan dalam Bayeschem adalah teori yang menjelaskan ikatan kimia pada permukaan padat yang melibatkan elektron-d yang biasanya berbentuk seperti semanggi berdaun empat. Model tersebut menjelaskan bagaimana orbital-d atom katalis saling tumpang tindih dan tertarik ke orbital valensi adsorbat yang berbentuk bola atau seperti halter. Ini telah dianggap sebagai model standar dalam katalisis heterogen sejak dikembangkan oleh Hammer dan Nørskov pada 1990-an, dan meskipun telah berhasil menjelaskan tren ikatan dari banyak sistem, Xin mengatakan model tersebut kadang gagal karena kompleksitas intrinsik dari interaksi elektronik. .

Menurut Xin, Bayeschem membawa teori d-band ke level baru untuk mengukur kekuatan interaksi tersebut dan mungkin menyesuaikan beberapa kenop, seperti struktur dan komposisi, untuk mendesain material yang lebih baik. Pendekatan ini memajukan teori kemisorpsi d-band dengan memperluas kemampuan prediksi dan interpretasinya dari sifat adsorpsi, yang keduanya penting dalam penemuan katalis. Namun, dibandingkan dengan model pembelajaran mesin kotak hitam yang dilatih oleh data dalam jumlah besar, keakuratan prediksi Bayeschem masih dapat ditingkatkan, kata Hemanth Pillai, seorang mahasiswa doktoral teknik kimia di kelompok Xin yang berkontribusi sama pada penelitian tersebut.

“Kesempatan untuk menghasilkan model yang sangat akurat dan dapat diinterpretasikan yang dibangun di atas algoritma pembelajaran yang mendalam dan teori chemisorpsi sangat bermanfaat untuk mencapai tujuan kecerdasan buatan dalam katalisis,” kata Xin.

Sumber Cerita:

Materi disediakan oleh Virginia Tech. Asli ditulis oleh Tina Russell. Catatan: Konten dapat diedit gaya dan panjangnya.

Dipersembahkan Oleh : Lapak Judi

Baca Juga : Slot Online