Поиск эффективных материалов для хранения водорода является одним из наиболее актуальных технических барьеров для широко распространенной водородной экономики. Низкая объемная плотность энергии водорода в условиях окружающей среды означает, что жизнеспособные решения для хранения должны либо сжимать газ до экстремальных давлений, сжижать его при криогенных температурах, либо связывать его химически или физически в твердом материале. Среди этих вариантов твердотельное хранение в передовых материалах обеспечивает лучший баланс безопасности, плотности энергии и простоты системы. Тем не менее, определение правильных композиций материалов и структур исторически требует трудоемких и дорогостоящих экспериментов с пробами и ошибками. За последнее десятилетие вычислительные подходы, основанные на расчетах первых принципов, появились в качестве мощных двигателей для открытия, позволяя исследователям экранировать тысячи материалов-кандидатов в силику, прежде чем когда-либо войти в лабораторию. Недавние прорывы в машинном обучении теперь усиливают эту способность, позволяя прогнозировать поглощение водорода, энергии связывания и структурную стабильность с замечательной точностью и скоростью.

Понимание расчетов первых принципов

Вычисления по первым принципам, также известные как ab initio, выводят свойства материала непосредственно из законов квантовой механики без соответствия параметров экспериментальным данным.Рабочая лошадка этих методов — теория функционала плотности (DFT), которая использует функционалы электронной плотности для аппроксимации уравнения Шрöдингера. Широко используемые коды, такие как VASP, Quantum ESPRESSO и CP2K, реализуют DFT для вычисления суммарных энергий, электронных структур и сил на атомах.Для исследований хранения водорода DFT может вычислять энергии адсорбции на поверхностях, диффузионные барьеры внутри решетки и энтальпию образования сложных гидридов.

Надежность предсказаний первых принципов зависит от выбора функциональной корреляции обмена. Общие функции включают в себя приближение локальной плотности (LDA), обобщенное приближение градиента (GGA) и более точные гибридные функции, такие как HSE06. Для систем, в которых доминируют слабые взаимодействия Ван-дер-Ваальса, которые доминируют в физизорбции молекулярного водорода, функции, корректируемые дисперсией (например, DFT-D3, vdW-DF), необходимы для предотвращения больших ошибок. В то время как DFT является вычислительно требовательным, современные высокопроизводительные вычислительные кластеры (HPC) и эффективные алгоритмы позволяют выполнять тысячи вычислений для систематического скрининга материалов.

Помимо DFT, другие методы с первыми принципами, такие как случайное приближение фазы (RPA) и теория сопряженных кластеров (CCSD(T)), предлагают более высокую точность для эталонных расчетов, но их вычислительные затраты ограничивают обычное использование. Моделирование молекулярной динамики, основанное на силах первых принципов (AIMD), также может быть использовано для изучения динамики диффузии водорода и фазовых переходов при конечных температурах. В совокупности эти методы обеспечивают надежную основу для генерации высококачественных данных, которые питают прогнозирующие модели.

Разработка прогнозных моделей хранения водорода

Предсказательные модели для материалов для хранения водорода обычно начинаются с большого набора данных, генерируемых из расчетов первых принципов. Одной из общих стратегий является высокопроизводительный скрининг, где библиотека структур-кандидатов построена либо из известных кристаллических баз данных, либо путем перечисления замещающих вариантов (например, допинг гидрида металла с различными переходными металлами). Затем каждый кандидат оценивается с использованием DFT для вычисления ключевых дескрипторов: энергия связывания водорода, гравиметрическая и объемная плотность водорода, термодинамическая стабильность (например, температура разложения) и кинетические барьеры для поглощения и высвобождения водорода.

Полученный набор данных становится тренировочной площадкой для моделей машинного обучения (ML). Общие алгоритмы включают случайные леса, усиление градиента, машины вектора поддержки и, в последнее время, нейронные сети, такие как графовые сверточные сети (GCN), которые естественным образом обрабатывают структуру кристаллического графа материалов. Выбор дескрипторов сильно влияет на точность модели. Композиционные особенности (элементарные свойства, электроотрицательность, атомный радиус) просты в вычислении, но структурные особенности (координационное число, длина связей, тесселяция Вороноя) обеспечивают более богатую информацию. Расширенные методы показов, такие как плавное наклонение атомных позиций (SOAP) или многотело Тензорное представление (MBTR) кодируют локальные атомные среды в вращательно инвариантной форме.

Прогностическая модель обучена сопоставлять эти особенности с целевым свойством(ами). Например, модель может быть обучена предсказывать емкость хранения водорода при заданной температуре и давлении или энтальпию дегидрогенации. После проверки на задержавшемся тестовом наборе модель может быть применена к совершенно новому набору материалов-кандидатов, намного большем, чем исходная база данных DFT, что позволяет быстро виртуально отсортировать десятки тысяч композиций за минуты.

Основные особенности эффективных моделей

Успешные прогностические модели хранения водорода должны удовлетворять трем основным критериям: точность, эффективность и переносимость.

  • Точность: Предсказания модели’ должны точно соответствовать значениям DFT (или экспериментальным). Типичные пороги принятия — ошибки корневого среднего квадрата (RMSE) ниже 0,1 эВ для энергии связывания или в пределах 2-3% для водородной емкости. Этот уровень точности гарантирует, что перспективные кандидаты не будут неправильно идентифицированы как ложные срабатывания или отрицательные результаты во время скрининга.
  • Эффективность: Расчетная стоимость оценки одного материала с моделью ML должна быть на порядки ниже, чем при выполнении полного расчета DFT. Для нейронных сетей один передний проход может составлять миллисекунды, тогда как оптимизация геометрии DFT может занимать часы на нескольких процессорах. Эта скорость позволяет исчерпывающее исследование композиционных пространств, что было бы непрактично с DFT в одиночку.
  • Переносимость: Идеальная модель должна обобщаться за пределами материалов, на которых она была обучена. Для хранения водорода это означает прогнозирование свойств новых химических семейств (например, от элементарных гидридов до сложных гидридов или металлоорганических структур) без катастрофического сбоя. Такие методы, как адаптация домена, многоточность обучения (объединение DFT с экспериментальными данными) или активное обучение могут улучшить переносимость.

Первопринципы Наборы данных и Репозитории материалов

Качество прогностических моделей в основном связано с количеством и разнообразием данных обучения. В нескольких общедоступных базах данных теперь размещены миллионы свойств материала, вычисленного с помощью DFT, что обеспечивает богатый ресурс для обучения моделей хранения водорода. Проект ]Materials предлагает вычисленные энергии, кристаллические структуры и фазовые диаграммы для более чем 140 000 неорганических соединений, включая многие гидриды. NREL Hydrogen Storage Materials Database специально курирует экспериментальные и вычислительные данные для материалов хранения кандидатов. Другим важным ресурсом является Open Quantum Materials Database (OQMD) , которая содержит более 1 миллиона вычислений DFT и поддерживает высокопроизводительный анализ.

Для генерации данных исследователи часто применяют систематические рабочие процессы с использованием высокопроизводительных фреймворков, таких как AFLOW, pymatgen или atomate. Эти инструменты автоматизируют процесс генерации структуры, создания входных данных DFT, представления вакансий на кластерах HPC и анализа выходных данных. Запустив один и тот же вычислительный протокол над тысячами структур, систематические ошибки могут быть сведены к минимуму и построены последовательные наборы данных.

Интеграция многоточных данных также набирает обороты. Например, большой набор низкоточных DFT (например, GGA без ван-дер-ваальсовых поправок) может быть объединен с меньшим набором высокоточных вычислений (например, гибридные функциональные возможности или CCSD(T)) с использованием модели машинного обучения, которая учится коррекции. Такой подход значительно снижает вычислительные затраты на создание высококачественного обучающего набора.

Приложения и тематические исследования

Предсказательные модели уже привели к открытию нескольких перспективных материалов для хранения водорода. Одним из примечательных примеров является скрининг сложных гидридов, таких как аланаты (например, NaAlH ]4 ), борогидриды (например, LiBH 4 ) и амиды (например, LiNH 2 ). Исследования на основе DFT выявили, что допинг этих соединений с небольшим количеством переходных металлов (Ti, Fe, Ni) может значительно снизить температуру дегидрогенизации при сохранении высокой емкости водорода. Более поздние экспериментальные работы подтвердили, что Ti-doped NaAlH 4 действительно обратимо хранит водород при умеренных температурах (около 100°C), что является значительным улучшением по сравнению с нелегированным материалом.

Другая история успеха включает металлоорганические каркасы (MOF) и ковалентные органические каркасы (COFs). Эти пористые материалы могут физисорбировать молекулярный водород при криогенных температурах. Исследователи использовали расчеты DFT для вычисления изотерм адсорбции водорода для тысяч гипотетических MOF, а затем обучили нейронную сеть графа для прогнозирования пропускной способности (количество водорода, высвобождаемого между 100 бар и 5 бар). Модель определила несколько новых каркасов с прогнозируемыми мощностями, превышающими 10 вес.% при 77 K, превысив многие экспериментально известные MOF. Последующий синтез и измерение подтвердили, что некоторые из этих материалов достигают емкости в пределах 2% от прогнозов.

Совсем недавно для прогнозирования энергии образования двоичных и тройных гидридов были применены модели контролируемого обучения. Случайная лесная модель, обученная на данных DFT из Проекта Материалов, достигла RMSE 0,05 эВ/атом для энергий формирования в разнообразном химическом пространстве. При использовании для скрининга более 100 000 гипотетических тройных гидридов модель выявила 500 ранее неизвестных стабильных соединений, многие из которых содержат легкие элементы, такие как Mg, Ca и Li, которые привлекательны для легкого хранения водорода.

Проблемы и ограничения

Несмотря на обещание, прогнозные модели хранения водорода сталкиваются с несколькими препятствиями. Во-первых, сам DFT не точен. Выбор функционала может привести к систематическим ошибкам, которые распространяются на данные обучения. Например, функционалы GGA часто недооценивают реакционные барьеры и переоценивают энергии связывания в гидридах. Когда эти данные используются для обучения модели машинного обучения, прогнозы наследуют те же предубеждения. Коррекция этого требует либо использования более точных, но дорогих функционалов для подмножества данных, либо включения экспериментальных точек валидации в качестве корректирующего термина.

Во-вторых, динамическую природу хранения водорода трудно уловить с помощью статических расчетов DFT. Диффузия водорода, фазовые переходы и эффекты температуры и давления требуют либо моделирования AIMD (вычислительно дорогостоящего), либо приближений, которые могут потерять точность. Модели машинного обучения, обученные только статичным свойствам, могут пропустить кинетические ограничения, которые делают материал непрактичным, даже если термохимически благоприятным.

В-третьих, имеющиеся данные об обучении сильно смещены в сторону известных кристаллических структур. Многие гипотетические материалы, особенно аморфные или богатые дефектами структуры, недопредставлены. Активные стратегии обучения, которые итеративно добавляют новые структуры в набор обучения, могут помочь, но требуют тщательной количественной оценки неопределенности для выбора наиболее информативных кандидатов.

В-четвертых, переносимость по классам материалов остается проблемой. Модель, обученная интерметаллическим гидридам, может плохо работать на сложных гидридах, содержащих полианионы (например, BH 4 & #8722; или NH 2 & #8722; ), потому что локальные химические среды принципиально отличаются. Многозадачное обучение или иерархические модели, которые используют отдельные ветви для разных семейств материалов, могут смягчить эту проблему.

Интеграция экспериментальной валидации

Наиболее успешные прогностические кампании сочетают в себе вычислительный скрининг с целевой экспериментальной валидацией. После того, как модель выявляет шорт-лист лучших кандидатов, экспериментаторы синтезируют и характеризуют несколько наиболее перспективных материалов. Результаты подаются обратно в модель для уточнения ее прогнозов, закрывая цикл. Этот итеративный подход ускоряет цикл обнаружения и помогает выявить слабые места модели.

Например, Альянс материаловедения в Научно-исследовательском институте Toyota использует байесовскую оптимизационную структуру, которая чередуется между расчетами DFT, прогнозами ML и экспериментальным синтезом.В исследовании сплавов на основе магния для хранения водорода метод обнаружил новую композицию Mg2Ni0.5Co0.5, обратимая водородная емкость на 30% выше, чем чистая двоичная Mg2Ni, уменьшив экспериментальную работу в расчетном коэффициенте в пять раз.

Будущие направления

Следующее поколение прогностических моделей для хранения водорода, вероятно, интегрирует более сложную физику. Потенциалы нейронных сетей (NNP), которые могут непосредственно имитировать динамику водорода с точностью уровня DFT на долю стоимости, уже разрабатываются. Эти потенциалы могут быть обучены на больших наборах данных сил и энергий DFT, а затем использованы для запуска моделирования молекулярной динамики на системах с миллиардом атомов. Для хранения водорода NNP могут моделировать эволюцию фазы во время циклов гидрогенизации / дегидрогенизации, включая формирование промежуточных фаз и роль микроструктуры.

На горизонте также находятся модели обучения и основы для материаловедения. Преподаваемые на массивных базах данных различных неорганических соединений, эти модели могут быть настроены на относительно небольшие наборы данных для хранения водорода для достижения высокой точности даже с ограниченными данными. В наборе эталонных тестов Matbench предусмотрены стандартизированные задачи для сравнения таких моделей, и прогнозы хранения водорода уже включены в качестве цели.

Еще одно перспективное направление - интеграция количественной оценки неопределенности. Байесовские нейронные сети или гауссовые процессы могут выводить не только прогнозируемое значение, но и доверительный интервал. Это позволяет исследователям ранжировать кандидатов по потенциальному вознаграждению против риска, сосредоточив экспериментальные усилия на материалах, где модель уверена, но все еще перспективна, или на материалах с высокой прогнозируемой производительностью, но высокой неопределенностью (для разведки).

Наконец, объединение расчетов по первым принципам с термодинамическим моделированием (например, CALPHAD) и моделированием транспорта в масштабе континуума позволит прогнозировать полную производительность системы, а не только свойства материала. Этот комплексный подход к проектированию может преодолеть разрыв между открытием материалов и внедрением инженерных решений, ускоряя путь от лаборатории до коммерческих резервуаров для хранения водорода.

Заключение

Расчеты по первым принципам обеспечили прочную основу для понимания водородных взаимодействий с твердыми материалами в атомном масштабе. Прогнозные модели, построенные на этом фундаменте, дополненные машинным обучением, теперь позволяют быстро проверять тысячи соединений-кандидатов, идентифицируя перспективные гидриды, каркасы и сплавы, которые потребовались бы годы для обнаружения только с помощью эксперимента. Интеграция высокопроизводительных данных DFT, расширенная экспонирование и итеративная экспериментальная валидация уже произвела несколько подтвержденных открытий и сократила стоимость и время разработки материалов. Проблемы остаются, особенно в точности передачи по классам материалов и включении динамических эффектов. Однако, поскольку вычислительная мощность продолжает расти, а архитектуры машинного обучения становятся более сложными, прогнозные модели становятся незаменимыми инструментами в поисках практических высокопроизводительных материалов для хранения водорода, которые могут поддерживать устойчивое энергетическое будущее.