Desarrollo de un modelo de Machine Learning para el estudio de la adsorción de gases en nanopartículas metálicas
2024
| Título | Desarrollo de un modelo de Machine Learning para el estudio de la adsorción de gases en nanopartículas metálicas |
| Nombre | SANGUINETTI, Valentino |
| Director | Dr. Julien Lam |
| Jurado | Dr. Roberto Pasianot |
| Lugar de realización | Unité Materiaux et Transformations (UMET), Villneuve d’Ascq, Francia. Ecole Nationale Supérieure de Chimie de Lille, Universidad de Lille, asociada a Centre national de la recherche scientifique (CNRS)= |
| Código | IT/IM-TS--xx/24 |
Título completo
Desarrollo de un modelo de Machine Learning para el estudio de la adsorción de gases en nanopartículas metálicas
Resumen
En tiempos recientes, las nanopart ́ıculas han atra ́ıdo mucha atenci ́on como materiales
para la aplicaci ́on en cat ́alisis heterog ́enea. Junto con el progreso tecnol ́ogico que ha habido
para la de producci ́on y caracterizaci ́on de las mismas, es necesario desarrollar nuevas t ́ecnicas
num ́ericas para el estudio de los mecanismos qu ́ımicos en los procesos catal ́ıticos y para
guiar al desarrollo experimental. Durante la primera parte de este trabajo, se realizaron
distintas pruebas con el objetivo de desarrollar una metodolog ́ıa que permita la obtenci ́on
de un modelo de Machine Learning (ML), capaz de describir con precisi ́on las interacciones
entre una nanopart ́ıcula met ́alica y una mol ́ecula gaseosa. Durante estos ensayos, diferentes
t ́ecnicas para generar sets de entrenamiento, descriptores del entorno at ́omico y modelos de
ML fueron utilizados. En las bases de datos empleadas se utilizaron en primera instancia
potenciales interat ́omicos imprecisos pero computacionalmente econ ́omicos, y en una segunda
instancia, las bases de datos fueron refinadas mediante el empleo de c ́alculos DFT, m ́as
precisos y costosos . Finalmente, se logr ́o obtener una metodolog ́ıa robusta y precisa para
la obtenci ́on de modelos de ML capaces de predecir la energ ́ıa de adsorci ́on entre mol ́eculas
gaseosas y nanopart ́ıculas met ́alicas.
Palabras clave: Machine Learning (ML), Cat ́alisis, Nanopart ́ıcula, Adsorci ́on, Embeded
Atom Model (EAM), Density Functional Theory (DFT), Descriptor, Regresi ́on lineal, regresi ́on
Lasso, regresi ́on Ridge.
para la aplicaci ́on en cat ́alisis heterog ́enea. Junto con el progreso tecnol ́ogico que ha habido
para la de producci ́on y caracterizaci ́on de las mismas, es necesario desarrollar nuevas t ́ecnicas
num ́ericas para el estudio de los mecanismos qu ́ımicos en los procesos catal ́ıticos y para
guiar al desarrollo experimental. Durante la primera parte de este trabajo, se realizaron
distintas pruebas con el objetivo de desarrollar una metodolog ́ıa que permita la obtenci ́on
de un modelo de Machine Learning (ML), capaz de describir con precisi ́on las interacciones
entre una nanopart ́ıcula met ́alica y una mol ́ecula gaseosa. Durante estos ensayos, diferentes
t ́ecnicas para generar sets de entrenamiento, descriptores del entorno at ́omico y modelos de
ML fueron utilizados. En las bases de datos empleadas se utilizaron en primera instancia
potenciales interat ́omicos imprecisos pero computacionalmente econ ́omicos, y en una segunda
instancia, las bases de datos fueron refinadas mediante el empleo de c ́alculos DFT, m ́as
precisos y costosos . Finalmente, se logr ́o obtener una metodolog ́ıa robusta y precisa para
la obtenci ́on de modelos de ML capaces de predecir la energ ́ıa de adsorci ́on entre mol ́eculas
gaseosas y nanopart ́ıculas met ́alicas.
Palabras clave: Machine Learning (ML), Cat ́alisis, Nanopart ́ıcula, Adsorci ́on, Embeded
Atom Model (EAM), Density Functional Theory (DFT), Descriptor, Regresi ́on lineal, regresi ́on
Lasso, regresi ́on Ridge.
Complete Title
Abstract
In recent times metallic nanoparticles have gained a lot of attention for their use in
heterogeneous catalysis, along with the progress in the production and characterization
techniques, it is necessary to develop new numerical tools to understand the chemical
mechanisms of the catalysis processes, and to guide future experiments. During the first part
of this work, different test were conducted in order to develop a methodology for obtaining a
Machine Learning (ML) model capable of accurately reproducing the interaction between a
metallic nanoparticle and a gas molecule. During this period of testing, different techniques
for generating training sets, descriptors of the atomic neighbourhood and ML models were
employed, both with inexpensive and imprecise classical interatomic potentials, and precise
DFT calculations. Finally, a robust methodology for the obtention of accurate ML models
for the prediction of the adsorption energy of gas molecules on nanoparticles was obtained.
Key Words: Machine Learning (ML), Catalysis, Nanoparticle, Adsorption, Embeded
Atom Model (EAM), Density Functional Theory (DFT), Descriptor, Linear regression, Lasso
regression, Ridge regression.
heterogeneous catalysis, along with the progress in the production and characterization
techniques, it is necessary to develop new numerical tools to understand the chemical
mechanisms of the catalysis processes, and to guide future experiments. During the first part
of this work, different test were conducted in order to develop a methodology for obtaining a
Machine Learning (ML) model capable of accurately reproducing the interaction between a
metallic nanoparticle and a gas molecule. During this period of testing, different techniques
for generating training sets, descriptors of the atomic neighbourhood and ML models were
employed, both with inexpensive and imprecise classical interatomic potentials, and precise
DFT calculations. Finally, a robust methodology for the obtention of accurate ML models
for the prediction of the adsorption energy of gas molecules on nanoparticles was obtained.
Key Words: Machine Learning (ML), Catalysis, Nanoparticle, Adsorption, Embeded
Atom Model (EAM), Density Functional Theory (DFT), Descriptor, Linear regression, Lasso
regression, Ridge regression.
volver al listado