Los investigadores realizaron cálculos teóricos y experimentos para optimizar los meteoritos marcianos para la reacción de evolución de oxígeno (REA). Se han desarrollado modelos de redes neuronales (NN) para predecir propiedades catalíticas basadas en la composición mineral. Utilizando la optimización bayesiana, la investigación identifica la composición mineral óptima que da como resultado la mayor actividad catalítica. Los resultados demuestran la eficacia superior de la optimización bayesiana en comparación con la optimización local con datos experimentales limitados. Este trabajo aporta información valiosa sobre el diseño de catalizadores REA utilizando meteoritos marcianos, mostrando el potencial de los enfoques computacionales en la ciencia de materiales.

El estudio optimiza la actividad catalítica de los meteoritos marcianos para REA mediante un conjunto de experimentos y cálculos teóricos. Los modelos NN predicen propiedades catalíticas basadas en la composición mineral. El estudio proporciona información sobre el diseño de catalizadores para REA utilizando meteoritos marcianos. La caracterización de hidróxidos de alta entropía mediante simulaciones de dinámica molecular y cálculos de la teoría funcional de la densidad (DFT) subraya la importancia de las características estructurales y la composición para determinar la actividad de los REA.

El estudio se centra en mejorar la actividad catalítica de los meteoritos marcianos en REA. El estudio combina cálculos teóricos con datos empíricos para lograrlo. El estudio utiliza modelos NN para predecir propiedades catalíticas y compara este enfoque con la optimización local, que se basa en datos experimentales limitados. El objetivo final es proporcionar información sobre el diseño de catalizadores REA eficientes que utilicen meteoritos marcianos para la conversión de energía sostenible.

Se entrenaron modelos NN para predecir propiedades catalíticas basadas en la composición mineral de hidróxidos de alta entropía. Se utilizó la optimización bayesiana para determinar la composición mineral óptima para maximizar la actividad catalítica en el REA. Los cálculos teóricos, incluido el escaneo de puntos de cuadrícula y los cálculos DFT, evaluaron la actividad REA de diferentes composiciones minerales. Los datos experimentales de experimentos realizados con robots y las curvas de activación de voltamperometría cíclica validaron las predicciones del modelo NN y la optimización dirigida. Las mediciones de espectroscopía de impedancia electroquímica y las pruebas amperométricas evaluaron el rendimiento electroquímico de los catalizadores. Los investigadores automatizaron las caracterizaciones electroquímicas utilizando código Python escrito por el investigador. La síntesis de catalizadores incluye:

• Preparación de soluciones de materias primas a partir de meteoritos marcianos.
• Ajustar el pH
• Montaje del gatillo sobre un sustrato de espuma de níquel

Los investigadores han mejorado con éxito la actividad catalítica de los meteoritos marcianos REA utilizando una combinación de cálculos teóricos y datos experimentales. Se entrenaron modelos NN para predecir propiedades catalíticas basadas en la composición mineral de hidróxidos de alta entropía, y se utilizó la optimización bayesiana para determinar la composición mineral óptima para maximizar la actividad catalítica. Utilizando datos teóricos y experimentales, el modelo de aprendizaje automático produjo una fórmula sintética óptima para el catalizador, superando a otros métodos. Los catalizadores compuestos basados ​​en una composición metálica optimizada mostraron un rendimiento REA mejorado, como lo demuestran las curvas de densidad de corriente dependientes del tiempo y las mediciones electroquímicas. El estudio también analizó cuantitativamente las fórmulas sintéticas de los catalizadores y las diferencias en las proporciones de metales entre ellos.

El estudio concluye demostrando la síntesis independiente de catalizadores REA a partir de meteoritos marcianos en Marte por parte de un químico avanzado en IA. Este sistema independiente lleva a cabo todos los pasos experimentales, desde el análisis de la materia prima hasta las pruebas de rendimiento, mostrando alta precisión y análisis inteligente para determinar la fórmula ideal. Al combinar datos experimentales y computacionales, la optimización in situ acelera la generación de modelos y el descubrimiento de fórmulas. El protocolo y el sistema existentes prometen mejorar el descubrimiento automatizado de materiales y la síntesis química, y apoyar la ocupación y exploración de planetas extraterrestres.

Comprobar el papel. Todo el crédito por esta investigación va a los investigadores de este proyecto. Tampoco olvides unirte. Tenemos más de 33k ML SubReddit, Más de 41.000 comunidades de Facebook, canal de discordia, Y Boletín electrónicodonde compartimos las últimas noticias sobre investigaciones de IA, interesantes proyectos de IA y más.

Si te gusta nuestro trabajo, te encantará nuestro boletín.