El marco de aprendizaje automático identifica objetivos para mejorar los catalizadores

Los químicos del Laboratorio Nacional Brookhaven del Departamento de Energía de EE. UU. han desarrollado un nuevo marco de aprendizaje automático (ML) que puede determinar qué pasos de una conversión química de varios pasos deben optimizarse para mejorar la productividad. El enfoque podría ayudar a guiar el diseño de catalizadores: “negociadores” químicos que aceleran las reacciones.

El equipo desarrolló el método para analizar la conversión de monóxido de carbono (CO) en metanol utilizando un catalizador a base de cobre. La reacción consta de siete pasos elementales bastante sencillos.

“Nuestro objetivo era descubrir qué paso elemental en la red de reacción, o qué subconjunto de pasos, controla la actividad catalítica”, dijo Wenjie Liao, el primer autor de un artículo que describe el método que acaba de publicarse en la revista Catalysis Science. & Tecnología. Liao es un estudiante de posgrado en la Universidad de Stony Brook que ha trabajado con científicos del grupo de Estructura y Reactividad de Catálisis (CRS) en la División de Química de Brookhaven Lab.

Sigue leyendo…