La búsqueda de materiales eficientes de almacenamiento de hidrógeno es una de las barreras técnicas más apremiantes para una economía de hidrógeno generalizada. Hydrogen ronda#8217; su baja densidad de energía volumétrica en condiciones ambientales significa que las soluciones de almacenamiento viables deben comprimir el gas a presiones extremas, licuarlo a temperaturas criogénicas, o atarlo química o físicamente dentro de un material sólido.

Comprender cálculos de los primeros principios

Los cálculos de primer nivel, también conocidos como ab initio], derivan propiedades materiales directamente de las leyes de la mecánica cuántica sin parámetros adecuados a los datos experimentales. El caballo de trabajo de estos métodos es la teoría funcional de densidad (DFT), que utiliza las funciones de la densidad de electrones para aproximar las energías Schrículos #246; Ecuación de alta

La fiabilidad de las predicciones de primer orden depende de la elección de funcionalidad de la corelación de intercambio. Las funcionalidades comunes incluyen la aproximación de densidad local (LDA), aproximación de gradiente generalizada (GGA), y funciones híbridas más precisas como HSE06. Para sistemas que implican interacciones de van der Waals débiles, que dominan la agrupación de fibra de gran cantidad de hidrógeno molecular, funcionamiento de funcionamiento sistemático

Más allá de DFT, otros métodos de primeros principios como la aproximación aleatoria de fase (RPA) y la teoría de racimo acoplado (CCSD(T)) ofrecen mayor precisión para cálculos de referencia, pero su uso de rutina de límites de coste computacional. simulaciones dinámicas moleculares basadas en fuerzas de primeros principios (AIMD) también pueden ser empleados para estudiar dinámicas de difusión de hidrógeno y transiciones de fase a temperaturas finitas.

Desarrollar modelos predictivos para almacenamiento de hidrógeno

Los modelos predictivos para materiales de almacenamiento de hidrógeno suelen comenzar con un gran conjunto de datos generados a partir de cálculos de primeros principios. Una estrategia común es la detección de alto rendimiento, donde se construye una biblioteca de estructuras candidatas ya sea desde bases de datos de cristal conocidos o enumerando variantes substitucionales (por ejemplo, dopando un hidroruro de metal con diferentes metales de transición).

El conjunto de datos resultante se convierte en el campo de entrenamiento para los modelos de aprendizaje automático (ML).Los algoritmos comunes incluyen bosques aleatorios, impulsos gradientes, máquinas vectoriales de soporte, y más recientemente redes neuronales como las redes convolutivas (GCNs) que manejan naturalmente la estructura de gráficos de cristales.

El modelo predictivo se entrena para mapear estas características a la propiedad o propiedades dianas. Por ejemplo, un modelo podría ser entrenado para predecir la capacidad de almacenamiento de hidrógeno a una temperatura y presión dadas, o la enthalpy de deshidrogenación. Una vez validado en un conjunto de pruebas retenidos, el modelo se puede aplicar a un conjunto completamente nuevo de materiales candidatos mucho más grande que la base de datos DFT original, permitiendo una rápida selección virtual de decenas de miles de composiciones en minutos.

Características clave de los modelos eficaces

Los modelos predictivos exitosos para el almacenamiento de hidrógeno deben satisfacer tres criterios esenciales: precisión, eficiencia y transferibilidad.

  • ]Precisión: El modelo denominado ÁMBIÉN DE PUEDAD 817; s predicciones deben ajustarse estrechamente a los valores de DFT (o experimentales). Los umbrales de aceptación típicos son errores de base-medio-cuatro-cuatro-cuatro-cuatro-square (RMSE) por debajo de 0.1 eV para energías vinculantes o dentro del 2-3% para la capacidad de hidrógeno.
  • Eficiencia: El costo computacional de evaluar un solo material con el modelo ML debe ser órdenes de magnitud más baja que ejecutar un cálculo completo DFT. Para las redes neuronales, un solo pase de avance puede ser milisegundos, mientras que una optimización geometría DFT puede tomar horas en múltiples CPU. Esta velocidad permite una exploración exhaustiva de espacios de composición que serían impráticos con DFT.
  • ]Transferibilidad: Un modelo ideal debería generalizar más allá de los materiales que se entrenaron. Para el almacenamiento de hidrógeno, esto significa predecir propiedades de nuevas familias químicas (por ejemplo, desde hidratos elementales a hidratos complejos o marcos metálicos-orgánicos) sin falla catastrófica. Técnicas como adaptación de dominio, capacitación multifidelidad (conectar DFT con transferencia de datos activas)

Repositorios de datos y materiales de primer principio

La calidad de los modelos predictivos está fundamentalmente ligada a la cantidad y diversidad de los datos de capacitación. Varias bases de datos públicas ahora albergan millones de propiedades materiales con CFT, proporcionando un recurso rico para la formación de modelos de almacenamiento de hidrógeno. El proyecto Materiales ofrece energías calculadas, estructuras de cristal y diagramas de fase para más de 140.000 productos experimentales, incluyendo muchos hidratos.

Para la generación de datos, los investigadores suelen aplicar flujos de trabajo sistemáticos utilizando marcos de alto rendimiento como AFLOW, pymatgen o atomate. Estas herramientas automatizan el proceso de generación de estructuras, creación de entradas DFT, presentación de empleo en grupos HPC y persiguiendo la producción. Al ejecutar el mismo protocolo computacional sobre miles de estructuras, se pueden minimizar errores sistemáticos y crear conjuntos de datos consistentes.

La integración de datos multifidelidad también está ganando tracción. Por ejemplo, un gran conjunto de DFT de baja precisión (por ejemplo, GGA sin correcciones van der Waals) se puede combinar con un conjunto más pequeño de cálculos de alta precisión (por ejemplo, funcionales híbridos o CCSD(T)) utilizando un modelo de aprendizaje automático que aprende la corrección. Este enfoque reduce significativamente la formación computacional de la configuración.

Aplicaciones y estudios de casos

Los modelos predecibles ya han llevado al descubrimiento de varios materiales de almacenamiento de hidrógeno prometedores. Un ejemplo notable es la detección de hidratos complejos como los alanatos (por ejemplo, NaAlH4), borohydrides (por ejemplo, LiBH4) y amides (por ejemplo,

Otro éxito de la historia implica marcos metálicos-orgánicos (MOF) y marcos orgánicos covalentes (COFs). Estos materiales porosos pueden physisorb hidrógeno molecular a temperaturas criogénicas. Investigadores utilizaron cálculos DFT para calcular los isotomías de adsorción de hidrógeno para miles de FMA hipotéticas, luego capacitaron una red neuronal gráfica para predecir la capacidad de síntesis de rendimiento (la cantidad de 100 barcuencias)

Más recientemente, se han aplicado modelos de aprendizaje supervisados para predecir la energía de formación de hidratos binarios y ternarios. Un modelo forestal aleatorio formado en datos DFT del Proyecto Materiales logró un RMSE de 0.05 eV/atom para energías de formación en un espacio químico diverso. Cuando se utiliza para detectar más de 100.000 hidratos hipotéticos de peso ternero, el modelo identificó 500 compuestos estables anteriormente desconocidos, muchos que contienen elementos ligeros como Mg, Ca, y Li y Li.

Desafíos y limitaciones

A pesar de la promesa, los modelos predictivos para almacenamiento de hidrógeno enfrentan varios obstáculos. Primero, DFT en sí no es exacto. La elección de funcional puede llevar a errores sistemáticos que se propagan en los datos de entrenamiento. Por ejemplo, las funcionalidades GGA a menudo subestiman las barreras de reacción y sobreestiman las energías vinculantes en los hidratos. Cuando estos datos se utilizan para formar un modelo de aprendizaje automático, las predicciones heredan los mismos bias experimentales.

En segundo lugar, la naturaleza dinámica del almacenamiento de hidrógeno es difícil de capturar con cálculos estáticos de DFT. La difusión de hidrógeno, las transiciones de fase y los efectos de la temperatura y la presión requieren simulaciones de AIMD (con costo combinado) o aproximaciones que pueden perder precisión. Los modelos de aprendizaje automático entrenados sólo en propiedades estáticas pueden perderse limitaciones cinéticas que hacen un material impráctico incluso si termoquímico favorable.

En tercer lugar, los datos de capacitación disponibles se ven muy sesgados hacia estructuras cristalinas conocidas. Muchos materiales hipotéticos, especialmente estructuras amorfos o defectuosas, están insuficientemente representados. Las estrategias de aprendizaje activas que agregan iterativamente nuevas estructuras al conjunto de entrenamiento pueden ayudar, pero requieren una cuidadosa cuantificación de incertidumbre para seleccionar a los candidatos más informativos.

Cuarto, la transferibilidad a través de las clases materiales sigue siendo un reto. Un modelo formado sobre los hidratos intermetálicos puede realizar mal sobre hidratos complejos que contienen polianiones (por ejemplo, BH4 ] [FLT2] [FLT2] [FX]]] [FX]

Integrando la Validación Experimental

Las campañas predictivas más exitosas combinan el análisis computacional con validación experimental específica. Después de un modelo identifica una lista corta de candidatos, los experimentalistas sintetizan y caracterizan algunos de los materiales más prometedores. Los resultados se invierten en el modelo para perfeccionar sus predicciones, cerrando el bucle. Este enfoque iterativo acelera el ciclo de descubrimiento y ayuda a identificar debilidades modelo.

Por ejemplo, la Alianza para la Ciencia de Materiales en el Toyota Research Institute utiliza un marco de optimización Bayesiana que se alterna entre los cálculos DFT, las predicciones ML y la síntesis experimental. En un estudio sobre aleaciones basadas en magnesio para el almacenamiento de hidrógeno, el método descubrió un nuevo Mg2[FLT] [4]

Future Directions

La próxima generación de modelos predictivos para almacenamiento de hidrógeno probablemente integrará física más compleja. Ya se están desarrollando potenciales de red neuronales (PNP) que pueden simular directamente dinámicas de hidrógeno con precisión de nivel DFT a una fracción del costo. Estos potenciales pueden ser entrenados en grandes conjuntos de datos de fuerzas y energías DFT y luego se utilizan para ejecutar simulaciones de dinámica molecular en sistemas de fases de miles de átomos.

Los modelos de aprendizaje de transferencia y bases para la ciencia de materiales también están en el horizonte. Preentrenada en bases de datos masivas de diversos compuestos inorgánicos, estos modelos pueden ser perfeccionados en conjuntos de datos de almacenamiento de hidrógeno relativamente pequeños para lograr una alta precisión incluso con datos limitados. Matbench] ofrece tareas estandarizadas para comparar estos modelos, y las predicciones de almacenamiento de hidrógeno ya están incluidas como objetivo.

Otra dirección prometedora es la integración de la cuantificación de incertidumbre. Las redes neuronales o procesos gausianos pueden producir no sólo un valor predicho sino también un intervalo de confianza. Esto permite a los investigadores clasificar a los candidatos por potencial recompensa versus riesgo, centrándose en el esfuerzo experimental en materiales donde el modelo es seguro pero prometedor, o en materiales con alto rendimiento predicho pero alta incertidumbre (para la exploración).

Por último, el acoplamiento de los cálculos de los primeros principios con el modelado termodinámico (por ejemplo, CALPHAD) y las simulaciones de transporte continuo permitirán predicciones de pleno rendimiento del sistema, no sólo propiedades materiales. Este enfoque de diseño de extremo a extremo podría reducir la brecha entre el descubrimiento de materiales y la implementación de ingeniería, acelerando el camino de los tanques de almacenamiento de hidrógeno comerciales.

Conclusión

Los cálculos de primeros principios han proporcionado una base sólida para entender las interacciones de hidrógeno con materiales sólidos a escala atómica. Los modelos predictivos construidos sobre esta base, aumentados por el aprendizaje automático, permiten ahora la rápida detección de miles de compuestos candidatos, identificando los hidratos prometedores, las formas y las aleaciones que habrían tardado en descubrir a través del experimento solo.