به گزارش گروه علم و آموزش ایرنا از ستاد توسعه فناوری‌های مواد و ساخت پیشرفته، سری الکترو شیمیایی ابزار مفیدی در الکتروشیمی است اما اثربخشی آن در شیمی مواد با این واقعیت محدود می‌شود که مبتنی بر مجموعه نسبتاً کوچکی از واکنش‌هاست که بسیاری از آنها نیز تنها در محلول‌های آبی اندازه‌گیری می‌شوند.
برای رفع این مشکل، محققان دانشگاه کرنل از یادگیری ماشین به منظور ایجاد یک سری الکترو شیمیایی برای مواد معدنی از ده‌ها هزار ورودی در پایگاه داده ساختار کریستال معدنی استفاده کردند.
آنها نشان دادند که این سری به طور کلی با حالت‌های اکسیداسیون در مواد حالت جامد نسبت به سری‌های مبتنی بر یون‌های آبی سازگارتر است.
سری الکترو شیمیایی با توسعه و پارامترسازی یک مدل فیزیکی و قابل تفسیر توسط انسان از حالات اکسیداسیون در مواد ساخته شد. این مدل پیش‌بینی حالت‌های اکسیداسیون ترکیب را به روشی دقیق‌تر از یک مدل شبکه عصبی مبتنی بر ترانسفورماتور پیشرفته‌تر ممکن می‌سازد.
آنها کاربردهای رویکردشان را برای پیش‌بینی ساختار، کشف مواد و الکتروشیمی مواد ارائه دادند و در مورد کاربردهای احتمالی و زمینه‌های بهبود در مقاله منتشر شده بحث کرده‌اند و برای تسهیل استفاده از رویکرد خود، یک وب‌سایت و API رایگان در دسترس را معرفی کرده‌اند.
شیمی‌دانان و دانشمندان مواد اغلب از مفهوم حالت‌های اکسیداسیون، تعداد الکترون‌هایی که یک گونه به طور موثر به دست آورده یا از دست داده است برای درک و پیش‌بینی واکنش‌های شیمیایی و خواص مواد استفاده می‌کنند.
فهرستی از گونه‌های شیمیایی که بر اساس آسانی الکترون‌ها مرتب شده‌اند، سری الکترو شیمیایی نامیده می‌شوند اما سری استاندارد الکترو شیمیایی عمدتاً مبتنی بر داده‌های موجود در محلول‌های آبی است که همیشه به خوبی به مواد حالت جامد ترجمه نمی‌شود.
کد منبع نرم‌افزار مورد استفاده برای تولید نتایج این مقاله در گیت‌هاب در لینک https://github.com/TRI-AMDD/oxidation-state-api-public و کد منبع برای وب سایت در گیت‌هاب در https://github.com/TRI-AMDD/oxidation-state-app موجود است. برخی از داده‌های مطالعه نیز در دسترس است.
نظر شما