Исследователи из Центра компетенций НТИ «Водород как основа низкоуглеродной экономики» на базе ФИЦ «Институт катализа СО РАН» и Университета ИТМО использовали машинное обучение, чтобы оптимизировать параметрыexternal link, opens in a new tab катализаторов для интенсификации производства чистого водорода и прогнозировать эффективность фотокатализа.
Математическую модель с использованием ИИ составляли для определения и прогноза активности материалов на основе графитоподобного нитрида углерода (g-C3N4) в реакции фотокаталитического выделения водорода. В процессе обработки данных учитывали условия синтеза g-C3N4, а также фазовый состав, площадь поверхности и каталитическую активность образцов. Для обучения алгоритма применяли метод градиентного бустинга, который эффективно обрабатывает сложные зависимости между параметрами и позволяет максимально точно предсказывать результаты.
«Модель помогает сократить время на этапе синтеза, предлагая наиболее оптимальные параметры с наибольшим выходом водорода. Благодаря использованию алгоритмов машинного обучения и анализа данных, она сама может предсказывать, какие условия синтеза приведут к наилучшим результатам. Это минимизирует количество экспериментов и сокращает время на поиск эффективных методик. Также использование модели улучшает точность получаемых данных — она основывается на ранее собранных данных и научных принципах, что позволяет избежать случайных ошибок и повысить воспроизводимость результатов», — рассказывает младший научный сотрудник НОЦ инфохимии ИТМО Вероника Юрова.
Специалисты Водородного центра компетенций НТИ на базе ИК СО РАН создали и проанализировали базу данных по графитоподобному нитриду углерода. Она включила в себя различные подходы к синтезу, данные об активности материалов в реакции фотокаталитического получения водорода, а также результаты физико-химического анализа.
«Над базой мы работали несколько лет. Первоначально синтезировали g-C3N4 разными способами, начиная от традиционных подходов, заканчивая более сложными методиками синтеза. Использование модели на основе искусственного интеллекта позволяет выявлять закономерности между физико-химическими характеристиками g-C3N4, параметрами его синтеза а также каталитической активностью, благодаря чему исследователи могут быстро и эффективно подбирать оптимальные условия синтеза и оценивать его фотокаталитическую активность в реакции выделения водорода», — добавляет младший научный сотрудник отдела гетерогенного катализа ИК СО РАН Ксения Потапенко.
Разработанный учеными веб-интерфейс находится в открытом доступеexternal link, opens in a new tab и его можно расширять, добавляя новые данные для модели, что позволит поддерживать постоянно актуальную базу данных.
Работа была выполнена при поддержке грантов Российского научного фонда №24-13-00355 и №24-13-00416.