Ростовские учёные создали дешёвые катализаторы для химической промышленности

Учёные из России использовали нейросеть для построения новых катализаторов для химических реакций, которые используют в целом ряде отраслей промышленности

Учёные из Международного исследовательского института интеллектуальных материалов Южного федерального университета (МИИ ИМ ЮФУ) разработали новую технологию для создания экологически чистых и доступных катализаторов, необходимых для множества химических реакций. Они научились использовать металл палладий очень эффективно, создавая так называемые одноатомные катализаторы на основе палладия, которые содержатся в минерале цеолите.

Один из полученных катализаторов, который особенно перспективен и эффективен, является гетерогенным катализатором на основе палладия в цеолите. Несмотря на высокую стоимость палладия и других металлов, используемых в катализаторах, учёным удалось эффективно и экономно использовать палладий. Они достигли этого, используя одноатомные нанокатализаторы, которые содержатся в порах цеолита. Это позволило снизить затраты на палладий до минимума, а также использовать катализатор полностью. Кроме того, палладий внутри цеолита позволяет контролировать выборочность реакции при активации ароматических углеводородов.

Важно отметить, что это первое исследование такого рода, и его результаты приобретают мировое значение. Учёные получили новые и фундаментальные знания о каталитических реакциях в реальных технологических условиях. В рамках проекта были исследованы промышленно значимые каталитические системы (одноатомные нанокластеры металлов в матрице из цеолита) при реалистичных условиях, а также установлен механизм изменения электронной структуры катализатора в процессе.

В ходе проекта было проведено более 10 экспериментов на ведущих международных центрах синхротронного излучения. Учёные применили передовые технологии искусственного интеллекта для анализа больших объёмов данных, получаемых при диагностике материалов и химических процессов. Они разработали новые подходы на основе машинного обучения и суперкомпьютерного моделирования, которые значительно повышают качество структурной информации, извлекаемой из спектральных данных.