机器学习翻译‘隐藏’信息揭示化学

化学是一个复杂的舞蹈的原子。微妙的变化在位置和打乱的电子打破和重塑化学键参与者改变合作伙伴。就像催化剂分子媒人方便sometimes-reluctant伙伴交互。

现在科学家们一种方法来捕捉化学编排碰巧的细节。方法依赖于电脑,学会了识别隐藏的步骤帮助他们改善催化剂的性能使反应朝着期望的产品更快。

方法的一个跨学科团队的化学家,计算机科学家和物理学家在美国能源部布鲁克海文国家实验室和石溪大学杂志最新发表的一篇论文中描述的物理化学字母。本文演示了如何团队用神经网络和机器学习教计算机解码之前从x射线数据访问信息,然后使用这些数据解释三维纳米结构。

解码纳米结构

“在发展中催化剂的主要挑战是了解他们工作我们可以设计更好的理性,而不是试错,“Anatoly弗仑克尔说,研究小组的领导人有联合任命布鲁克海文实验室的化学师和石溪大学的材料科学部门。“解释催化剂如何工作的原子和非常精确的测量它们之间的距离,也可以改变他们的反应。因此并不是如此重要知道催化剂的体系结构时但更重要的是遵循了他们的反应。”

问题是,重要reactions-those创造重要的工业化学物质如fertilizers-often发生在高温和压力下,使测量技术。例如,x射线可以揭示某些原子水平结构导致原子吸收他们的能量释放电子波。附近的波相互作用原子,它们揭示他们的立场的方式类似于扭曲波纹表面上的一个池塘可以揭示岩石的存在。但连锁模式变得更加复杂和涂抹在高温和压力障碍引入到结构,因此模糊海浪可以揭示的信息。

而不是依赖于x射线吸收谱的“连锁模式”,弗仑克尔的小组发现调查的不同部分频谱与低能波影响较小的热量和障碍。

“我们意识到这部分的x射线吸收信号包含所有所需的信息吸收原子周围的环境,“说詹尼斯得票率最高,石溪分校的博士后与弗伦克尔和该论文的第一作者。“但这信息是隐藏的表面下,我们没有一个方程来描述它,所以它是更难理解。我们需要解码谱,但我们没有一个关键。”

幸运的是林Yuewei和Shinjae Yoo的布鲁克海文实验室的计算机科学中心的主动性和陆得雨功能纳米材料(CFN)重要的经验与所谓的机器学习方法。他们帮助教学计算机发展的一个关键的研究小组发现隐藏的特征吸收光谱之间的联系和结构催化剂的细节。

“詹尼斯把这些想法真的跑了,”弗仑克尔说。

团队使用理论建模产生模拟光谱几十万模型的结构,并使用这些训练计算机识别光谱的特性和他们如何与结构。

“然后我们建立了一个神经网络,能够频谱转换成结构,”弗仑克尔说。

当他们测试方法是否会努力解读定义良好的铂纳米颗粒的形状和大小(使用x射线吸收谱先前发表的弗伦克尔和他的合作者)。

“现在可以使用这个方法,”弗仑克尔说。“一旦构造网络结构需要几乎没有时间在任何实际实验中获得的。”

这意味着科学家在研究催化剂布鲁克海文国家同步光源II (NSLS-II),例如,可以获得实时的结构信息来解释为什么一个特定的反应减慢,或开始产生不需要的产品,然后调整反应条件和催化剂化学才能获得希望的结果。这将是一个巨大的进步在等待分析结果完成实验后然后弄清楚哪里出了问题。

此外,这种技术可以处理和分析从非常低浓度样品的光谱信号,并将特别有用在新的高通量和high-energy-resolution beamlines合并在NSLS-II特殊的光学和高通量的分析技术。

“这将提供完全使用同步加速器operando研究的新方法,”弗仑克尔说。

这篇文章被转载材料所提供的布鲁克海文国家实验室。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。