Производство экологически чистого водорода методом электролиза воды не сопровождается прямыми выбросами углерода, однако ключевая стадия процесса — выделение кислорода — протекает крайне медленно и требует огромных энергозатрат. Себестоимость такого водорода остается высокой именно из-за низкой скорости реакции, поэтому поиск новых каталитических материалов — приоритет для энергетиков. Для повышения эффективности технологии нужны качественные ускорители реакций, но десятилетиями поиск таких веществ велся только внутри отдельных классов: оксидных, металлических или одноатомных. Переходить от одного семейства катализаторов к другому исследователи почти не пытались, что ограничивало возможности для открытий.

 

Нейросеть объединила разные классы каталитических материалов

Группа ученых под руководством Хёна Тхэгвана из Центра исследования наночастиц при Институте фундаментальных наук разработала алгоритм глубокого обучения, который ищет каталитические материалы, объединяя данные о разных их семействах. Результаты работы опубликованы в профильном издании, посвященном материаловедению. Ранее исследователи искали лучшие ускорители реакций либо среди оксидов, либо среди металлов, либо среди одноатомных структур, не пытаясь совместить преимущества разных групп. По мнению авторов, такой подход позволяет находить вещества, которые невозможно обнаружить при традиционном поиске.

— Наша цель — не просто найти лучший материал в одной категории. Исследователям нужен самый эффективный катализатор среди всех возможных систем, и мы доказали, что нейросеть может связать знания из разных семейств веществ и открыть совершенно новые классы материалов, — пояснил Хён Тхэгван.

 

Принцип работы модели глубокого обучения

Разработанная модель, названная исследователями нейросетью с перекрестным обучением, одновременно анализировала данные о двух принципиально разных группах веществ: одноатомных катализаторах на углеродной подложке и перовскитных оксидах. Эти семейства дают разную информацию: первые показывают, как ведут себя отдельные атомы металла на поверхности катализатора, вторые — как на эффективность реакции влияет объемная кристаллическая структура.

Объединив эти два источника данных, алгоритм смог предсказать эффективность совершенно нового семейства веществ, которое ранее не встречалось в обучающей выборке: одноатомных катализаторов, закрепленных на поверхности частиц перовскитных оксидов. В такой гибридной системе преимущества поверхностного конструирования сочетаются с особенностями объемного кристаллического дизайна.

 

Отбор признаков и экспериментальная проверка

Для повышения точности предсказаний ученые разработали процесс автоматизированного отбора химических дескрипторов, объединивший статистический анализ и методы обработки естественного языка. Алгоритм выделил несколько ключевых факторов, которые сильно влияют на каталитическую активность в обоих семействах веществ: степень окисления, ионный радиус, число валентных электронов специфического подуровня, электроотрицательность, координационное число.

• Исследователи синтезировали 12 каталитических материалов из ранее не изученного семейства;
• Алгоритм верно предсказал порядок их активности в реакции выделения кислорода;
• Модель продемонстрировала способность оценивать эффективность веществ, которые не входили в обучающую выборку.

— Этот результат доказывает, что алгоритм не просто запомнил имеющиеся данные. Модель смогла оценить, какой из катализаторов будет эффективнее, даже для совершенно нового семейства веществ, которое она никогда не видела раньше, — отметил соавтор работы Мун Джунсок.

 

Широкие перспективы использования новой модели

Следующим этапом работы стало расширение подхода на многометаллические катализаторы, содержащие одновременно несколько разных одноатомных металлов. Алгоритм провел компьютерный отсев 8008 кандидатов и выбрал наиболее перспективную структуру: многометаллический одноатомный катализатор, содержащий атомы вольфрама, молибдена, рутения и родия, закрепленные на перовскитной подложке из оксида кальция, празеодима, кобальта и железа.

Экспериментальные проверки подтвердили, что новый материал превзошел ранее изученные перовскитные оксиды, одноатомные катализаторы на углеродной подложке и все монометаллические образцы, синтезированные в ходе исследования.

1. Алгоритм проанализировал более 8 тысяч вариантов многометаллических структур;
2. Система выбрала комбинацию из четырех металлов на перовскитной подложке;
3. Новый материал показал рекордную эффективность в реакции выделения кислорода.

Важной особенностью разработки стала интерпретируемость результатов: модель не просто выдавала численные прогнозы, но и формулировала понятные принципы конструирования материалов. С помощью методов объяснимого искусственного интеллекта ученые визуализировали, как конкретное окружение атомов влияет на каталитическую активность, и выявили синергетические взаимодействия между соседними металлами, повышающие эффективность выделения кислорода.

Хён Тхэгван подчеркнул, что значимость работы не в отборе кандидатов внутри заданной группы, а в связывании знаний из разных семейств веществ для предсказания принципиально новых классов материалов. Исследователи отмечают, что разработанную рамку можно адаптировать для других областей: создания аккумуляторов, материалов для накопления энергии, поиска лекарств, где интеграция разнородных экспериментальных наборов данных остается сложной задачей.

По словам Мун Джунсока, когда искусственный интеллект осваивает общие закономерности, характерные для разных семейств веществ, он может предлагать направления конструирования, которые не ограничены рамками, заданными человеком. Это важный шаг на пути к созданию универсального искусственного интеллекта для материаловедения.

Разработанный подход позволяет преодолеть ограничения традиционного поиска каталитических материалов, который десятилетиями оставался в рамках узких классов веществ. Объединение разрозненных данных с помощью глубокого обучения открывает путь к созданию более эффективных технологий производства экологически чистого водорода, а также к ускорению открытий в смежных областях науки. В дальнейшем исследователи планируют расширить набор данных, включив в него больше семейств материалов, чтобы сделать предсказания алгоритма еще точнее. Это может сократить время вывода новых технологий на рынок с десятков лет до нескольких лет.