MIT transformou a busca por catalisadores de amônia verde de tentativa e erro em triagem de propriedades

A amônia é produzida principalmente pelo processo Haber-Bosch, intensivo em combustíveis fósseis. A produção eletroquímica poderia usar eletricidade em vez de calor e pressão, mas suas taxas e rendimentos continuam baixos demais para a viabilidade econômica industrial. O gargalo é o catalisador: suas propriedades de superfície determinam quanto amônia se forma e quantas reações indesejadas ocorrem.

A abordagem convencional de materiais ajusta compostos conhecidos com base na intuição química, deixando os pesquisadores explorarem milhões de combinações possíveis de ligas ao longo de anos. Em vez disso, pesquisadores do MIT usaram a teoria do funcional da densidade quântico-mecânica para investigar quais propriedades microscópicas eletrônicas, químicas e estruturais tornam os catalisadores de nitreto de metais de transição eficazes. Em seguida, usaram aprendizado de máquina para identificar ligas candidatas que poderiam superar os gargalos de dissociação do nitrogênio e transferência de hidrogênio da reação.

O resultado foi um mapa de materiais promissores orientado por propriedades, em vez de uma lista aleatória de compostos. O artigo esclarece como as propriedades do orbital 2p do nitrogênio e da banda d do metal se relacionam com a atividade catalítica e pode acelerar a triagem computacional. Permanece teórico: as ligas propostas ainda precisam ser fabricadas e testadas em uma célula de reação funcional sob condições reais de operação.

Identificar as propriedades eletrônicas por trás da atividade catalítica

Testar todas as combinações de ligas levaria anos, enquanto modelar a propriedade determinante restringe a busca antes da fabricação.

A teoria do funcional da densidade estima o comportamento do material antes que os pesquisadores gastem tempo fabricando um catalisador físico.

Os nitretos de metais de transição podem usar o nitrogênio no próprio catalisador para ajudar a sequenciar a reação e reduzir os gargalos de energia de entrada.

O aprendizado de máquina transforma a percepção física em uma forma prática de triar combinações que podem corrigir as etapas mais lentas da reação.

Quando um espaço de busca é grande demais para tentativa e erro, modele primeiro a propriedade física que causa o sucesso; triar por essa propriedade é mais barato do que testar todas as combinações.

O estudo deu aos pesquisadores uma base para projetar catalisadores de nitreto mais seletivos, mas ainda não demonstrou um dispositivo funcional. O próximo passo é uma célula de reação que produza amônia com o catalisador candidato e teste o desempenho em condições de operação; o artigo afirma explicitamente que um impacto significativo no mundo real ainda está a certa distância.