From Atoms to Algorithms: Accelerated Adsorption Energy Predictions on Bimetallic Catalysts via Explainable Machine Learning

Abstract

Els catalitzadors basats en metalls són materials àmpliament utilitzats en diverses aplicacions; no obstant això, són recursos no renovables, fet que converteix la seva disponibilitat en un problema crític de cara al futur. Aquesta preocupació s’amplifica encara més per la seva demanda global creixent impulsada per l’augment de la població. Com a resultat, les tecnologies catalítiques actuals han de ser millorades, començant pel desenvolupament de catalitzadors amb un rendiment més elevat. Les aliatges bimetàl·lics són un grup especialment prometedor de catalitzadors, ja que exhibeixen efectes sinèrgics que condueixen a activitats bifuncionals i a un rendiment millorat. Per tal de proposar catalitzadors nous i eficaços, cal tenir en compte diversos factors a nivell atòmic, com ara les cares cristal·lines exposades, la composició i les interaccions locals entre l’adsorbat i el metall. Aquesta tasca esdevé encara més complexa quan es treballa amb aliatges bimetàl·lics.

Per aquest motiu, és necessari un enfocament més eficient per explorar l’ampli espai de compostos químics i identificar els materials catalítics més prometedors. Els mètodes computacionals s'utilitzen sovint per explorar com es correlacionen aquests factors a nivell atòmic amb l’activitat catalítica. No obstant això, calcular directament l’activitat catalítica mitjançant mètodes computacionals resulta inviable per a una exploració a gran escala. Per superar aquesta limitació, les energies d’adsorció avaluades mitjançant la Teoria del Funcional de la Densitat (DFT) s’utilitzen com a descriptors fiables del rendiment catalític. Tot i això, l’escalabilitat del DFT continua essent limitada quan es pretén una exploració més àmplia.

Aquesta tesi té com a objectiu desenvolupar metodologies basades en aprenentatge automàtic (ML) per tal de reduir el cost computacional dels càlculs DFT per predir energies d’adsorció en sistemes bimetàl·lics, que estableixen les condicions límit que permeten reduir l’espai químic de materials catalítics prometedors. Aquest estudi es divideix en tres parts. En primer lloc, es proposen models clàssics d’aprenentatge automàtic per predir l’energia d’adsorció a partir de descriptors relacionats amb el lloc d’adsorció. En segon lloc, s’investiga la influència de l’estructura i la composició de superfícies basades en NiGa en l’estabilitat a nivel atòmic dels intermedis de reacció en la hidrogenació del CO2 a metanol. Finalment, s’avalua una arquitectura d’alt rendiment i més flexible d’aprenentatge automàtic basada en Xarxes Neuronals Gràfiques (GNNs) per ambdues bases de dades. Aquesta tesi doctoral mostra el potencial de les arquitectures d’aprenentatge automàtic per predir energies d’adsorció, tot servint com a guia per a l’exploració de materials catalítics.

Los catalizadores a base de metales son materiales ampliamente utilizados en diversas aplicaciones; sin embargo, son recursos no renovables, lo que convierte su disponibilidad en un problema crítico en el futuro. Esta preocupación se ve aún más agravada por el crecimiento de su demanda global impulsada por el aumento poblacional. Como resultado, las tecnologías catalíticas actuales deben mejorarse, comenzando con el desarrollo de catalizadores con mayor rendimiento. Las aleaciones bimetálicas son un grupo particularmente prometedor de catalizadores, ya que exhiben efectos sinérgicos que conducen a actividades bifuncionales y un rendimiento mejorado. Para proponer catalizadores novedosos y eficaces, deben considerarse varios factores a nivel atómico, como los planos cristalinos expuestos, la composición y las interacciones locales entre el adsorbato y el metal. Esta tarea se vuelve aún más compleja cuando se consideran aleaciones bimetálicas.

Por ello, un enfoque más eficiente para explorar el vasto espacio de compuestos químicos es requerido para identificar los materiales catalíticos más prometedores. Los métodos computacionales son a menudo usados para explorar cómo se correlacionan estos factores a nivel atómico con la actividad catalítica. Sin embargo, calcular directamente la actividad catalítica mediante métodos computacionales resulta inviable para una exploración a gran escala. Para superar esta limitación, las energías de adsorción evaluadas mediante la Teoría del Funcional de la Densidad (DFT) se utilizan como descriptores confiables del rendimiento catalítico. Sin embargo, la escalabilidad de DFT sigue siendo limitada cuando se pretende una exploración más amplia.

Esta tesis tiene como objetivo desarrollar metodologías basadas en aprendizaje automático (ML) para reducir el costo computacional asociado con cálculos DFT para predecir energías de adsorción en sistemas bimetálicos, que establecen las condiciones límite que permiten reducir el espacio químico de materiales catalíticos prometedores. Este estudio es divido en tres partes. Primero, modelos clásicos de ML son propuestos para predecir la energía de adsorción a partir de descriptores relacionados con el sitio de adsorción. Segundo, la influencia de la estructura y la composición de superficies basadas en NiGa en la estabilidad de intermedios de reacción en la hidrogenación de CO2 hacia metanol es investigada a nivel atómico mediante cálculos DFT. Finalmente, una arquitectura de alto desempeño y más flexible de ML basada en Redes Neuronales Gráficas (GNNs) es evaluada en ambas bases de datos. Esta tesis doctoral muestra el potencial de las arquitecturas de aprendizaje automático para predecir energías de adsorción, sirviendo como guía para la exploración de materiales catalíticos.

Metal-based catalysts are widely used materials in different applications; however, they are non-renewable resources, making their availability a critical issue for the future. This concern is further amplified by its growing global demand driven by population growth. As a result, current catalytic technologies must be improved, starting with the development of higher-performance catalysts. Bimetallic alloys are a particularly promising group of catalysts, which exhibit synergistic effects that lead to bifunctional activities and enhanced performance. To propose novel and effective catalysts, several atomic-level factors must be considered, such as exposed crystal facets, composition, and local adsorbate-metal interactions. This task becomes even more complex when bimetallic alloys are involved.

Therefore, a more efficient way to screen the vast chemical compound space is needed to identify the most promising catalytic materials. Computational methods are usually used to explore how these atomic-level factors correlate with the catalytic activity. However, calculating catalytic activity through direct computational methods becomes impractical for large-scale screening. To overcome this limitation, adsorption energies evaluated via Density Functional Theory (DFT) are used as reliable descriptors of the catalytic performance. Nevertheless, the scalability of DFT remains limited when it comes to broader exploration.

This thesis aims to develop machine learning-based (ML) frameworks to alleviate the computational cost associated with DFT calculations for predicting adsorption energies in bimetallic systems, which set the boundary conditions to narrow the chemical space of promising catalytic materials. The study is divided into three parts. First, classical ML models are proposed to predict adsorption energy based on features related to the adsorption site. Second, the influence of the structure and composition of NiGa-based surfaces on the stability of reaction intermediates in the CO2 hydrogenation to methanol is investigated at the atomic level via DFT calculations. Finally, a high-performing and more flexible ML architecture based on Graph Neural Networks (GNNs) is evaluated on both datasets. This doctoral thesis showcases the potential of ML architectures for predicting adsorption energies, serving as a guide for the screening of catalytic materials.