“在计算催化中产生大量数据，并且该领域开始意识到数据科学工具对于筛选大量数据以寻找我们可能错过的基本相关性非常有价值，”Rice的Thomas Senftle说，本周在线发表在Nature Catalysis上的一项新研究的合着者。“这就是本文的真正含义。我们结合了成熟的数据生成和分析工具，使我们能够寻找我们原本不会注意到的相关性。”

催化剂是一种加速化学反应而不被它们消耗的物质。例如，汽车中的催化转化器含有铂和钯等金属，有助于分解空气污染物的反应。催化剂是化学和制药行业的支柱，全球催化剂市场估计每年200亿美元。

催化转化器中使用的金属通常是金属丝网的一部分。当热排气通过网状物时，表面上的金属原子催化将一些有害分子分解成无害副产物的反应。

“这是气相反应，”Senftle谈到了催化转化器的例子。“从发动机中排出一定浓度的气相物质。我们想要一种将污染物转化为无害产品的催化剂，但是不同的汽车有不同的发动机可以推出不同成分的产品，所以催化剂效果很好。一种情况在另一种情况下可能不会有效。“

使反应物流过催化剂的实践在工业中也是常见的。在许多情况下，催化金属附着在固体表面上，反应物作为液体或气体在表面上流动。对于每年生产大量产品的工业流程，将金属催化剂的效率提高几个百分点可以为公司带来数百万美元的收益。

“如果你能清楚地了解金属催化剂和金属附着的基质材料的特性，那么你可以在开始时基本缩小你的搜索范围，”Senftle说。“您可以通过使用计算机来探索哪些材料在某些条件下可能表现良好，从而缩小您的设计空间。”

Rice的化学和生物分子工程助理教授Senftle开始了新发表的研究，同时还是2015年宾夕法尼亚州立大学的研究生，以及主要作者Nolan O'Connor和ASM Jonayat以及共同作者Michael Janik。他们首先使用密度泛函理论计算了许多不同种类金属的单个原子与一系列金属氧化物基质的结合强度。

“金属和基质之间的结合能是特别令人感兴趣的，因为结合越强，金属原子就越不容易脱落，”Janik说。“如果我们可以控制这种结合能，我们就可以调整这些金属颗粒的大小分布，反过来，这将影响它们可以催化的整体反应。”

奥康纳说：“我们对单个金属原子和氧化物表面的特性感到好奇，这些金属原子和氧化物表面形成强相互作用对，这是我们可以用来设计稳定催化剂的特性。”

除了结合能列表外，该团队还为每种金属 - 基板组合提供了大约330,000个附加属性的目录，包括氧化物形成能，配位数，合金形成能和电离能等因素。

“机器学习算法寻找那些与观察到的结合能数据相关的描述符的组合，”Jonayat说。“它基本上允许我们问，'在所有这些描述符中，我们如何才能找到与我们感兴趣的观察行为相关的那些？

他说，确定这种相关性可以简化催化剂设计，因为它可以预测材料在实验室测试之前的表现，既昂贵又耗时。机器学习还可以识别值得进一步研究的有趣效果。

例如，Senftle说，研究中不断出现的一个相关性是催化金属与载体中金属原子之间直接相互作用的重要性。他说这是出乎意料的，因为金属通常都具有与氧结合的强亲和力，而不是相互结合。

“原来，这个想法是氧气很重要，”Senftle说。“我们有兴趣确定这两种不同金属在氧气中的共享程度。但是，我们的计算中金属本身之间的这种直接相互作用不断涌现，并且它在决定系统整体行为方面发挥了比我们预期更大的作用。 “。

Senftle说他希望在未来的研究中建立模拟的复杂性。

“我们在这里看到了原始环境中金属和载体之间的相互作用，没有任何水分子或杂质，”他说。“实际上，催化剂用于非常复杂的反应环境中，我们想研究这些趋势在这些环境中如何变化。例如，如果这是一个水环境，水或离解的水可能会吸附在表面上。会影响相互作用，因为现在你有另一个共享电子密度并共享表面氧的玩家。“