水の太陽光電気化学（PEC）分解は、太陽エネルギーを水素エネルギーに効率的に変換する方法であり、再生可能エネルギーを生産する有望な方法です。ただし、電極の特性や電極の欠陥の影響を受けるため、PEC 反応の効率は低く、適切な助触媒の助けが必要です。電解セル、光電極、助触媒で構成される PEC システムは非常に複雑で、パラメーターが多く、システムの最適化コストが高くなります。この目的を達成するために、清華大学の朱宏偉氏の研究グループは機械学習を使用して BiVO を分析しました₄  光陽極システムが最適化されました。機械学習は、過去の実験データに基づいて、光アノード、助触媒、電解槽の関係を見つけることができます。同時に、解釈可能な機械学習により、反応パフォーマンスにとって最も重要なパラメータを特定し、システム最適化のためのガイダンスを提供できます。

著者 | 雪才

編集者 | 三陽

太陽光電気化学 (PEC) 水分解は、太陽エネルギーを水素と酸素に効率的に変換する方法であり、再生可能エネルギーを生産する有望な方法です。

PEC 水の分解には、電解セルのアノードまたはカソードとして機能する光電極と、電解セルのカソードまたはアノードとして機能する対電極が必要です。光電極は太陽エネルギーを吸収して水の酸化または還元反応を引き起こし、対応する還元または酸化反応が同時に対極で行われます。光生成キャリアの分離を促進するには、PEC にバイアス電圧を供給する電源または光電池も必要です。

PEC水の分解効率は光電極の欠陥によって制限される、キャリアの再結合や低バイアス電圧下での不安定性など。適切な助触媒は光キャリアの分離を促進します。、光電極とヘテロ接合を形成して光の吸収を促進し、表面エネルギーを低下させて反応を促進し、電極の化学腐食を抑制し、電子の伝達などを促進し、反応効率を向上させます。

研究者らは、金属、金属酸化物、金属を含まない助触媒、二重触媒など、PEC 反応を促進できるさまざまな助触媒を発見しました。これらの助触媒の効率は、化学組成、形態、結晶形などの物理的および化学的特性によって影響されます。さらに、電極の種類、電解質濃度、pH などの電解槽の反応条件も助触媒効率に影響します。

反応システムは非常に複雑で、パラメーターを最適化し、特定の光電極に適切な助触媒を選択するには、多くの試行錯誤の実験が必要です。。特に、助触媒の最適な厚さは電極と助触媒の両方の影響を受けるため、選択が困難になります。ただし、十分なデータがあれば、機械学習はこのプロセスを迅速に実行できます。

これに基づいて、清華大学の朱宏偉氏の研究グループは、機械学習 (ML、機械学習) を使用して BiVO を最適化しました₄  光アノード用助触媒。まず、光アノード触媒システムの基本的な影響要因とメカニズムについて説明します。その後、過去の研究の実験データに基づいてデータベースが作成され、機械学習モデルがトレーニングされ、BiVOについて調べる₄  光アノード、助触媒、電解槽の関係。最後に、機械学習モデルの解釈可能性に基づいて、反応効率に最も密接に関係する特性を見つける、BiVOを案内する₄  光アノード助触媒の選択。この成果は『Journal of Materials Chemistry A』に掲載されました。

この成果は『Journal of Materials Chemistry A』に掲載されました

論文リンク:

https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA04148D

実験プロセス

データセット 文献研究

機械学習モデルの入力は 12 の反応に影響を与える要因と電極面積で、出力は 1.23 V (対 RHE) での光電流密度の増加です。

84 の文書から 112 の BiVO グループが見つかりました₄  光アノード触媒による水分解の実験データ、データセットの形成。 BiVOは注目に値します₄  光アノードの形態は、単結晶、ナノバグ、ランダム積層、緻密膜の 4 つのカテゴリに単純化されています。助触媒の形態は均一膜、単層膜、分離膜の 3 つに単純化されます。

モデルの出力、つまり助触媒による光電流密度の増加は、低 (0)、中 (1)、高 (2) の 3 つのレベルに分けられます。

データ処理 フィルタリングと次元削減

データ収集が完了すると、次の 7 つのステップを含むデータの前処理が行われます。

1.データクリーニング（クリーニング）。データ クレンジングは、データの修正、修復、削除のプロセスです。 25 セットのデータは代表性がないため除外されました。

2.データ補完 (Imputation)。多くの研究はかなり限られたデータを提供しており、異なる研究からのデータ間には連続性が欠如しています。したがって、研究者らは、反応条件、光アノードの形態、およびサイズに基づいて、連鎖方程式多重干渉 (MICE) を通じて不足している助触媒の厚さを補いました。

3.データパーティション（パーティション）。 70% のデータセットは機械学習モデルのトレーニング セットに分割され、30% はテストに使用されます。データ量が限られているため、研究者らは K-Fold 相互検証を使用してモデルの精度を検証しました。

4.データ変換（コンバージョン）。このプロセスは、データ セットをモデルが読み取り可能なコレクションに変換することです。 One-Hot Encoding を使用してカテゴリ データを数値データに変換すると、入力変数の次元は 109 になります。

5.データの正規化（正規化）。数値データの範囲に一貫性がない場合、異なる入力変数がセット内で同じ重みを持つように、正規化によってデータを同じ範囲に変換する必要があります。この調査では、データの正規化に StandardScaler を使用しています。

6.データバランス（残高）。この調査では、さまざまな出力カテゴリのデータ分布は明らかに不均衡であり、0 は約 34% を占め、1 は約 52% を占め、2 は約 14% を占めます。サンプルの再処理にはオーバーサンプリングとアンダーサンプリングの方法が一般的に使用され、前者は小さなサンプル セットにデータを追加し、後者は大きなサンプル セットのデータを削除します。この調査では、データ バランシングに SMOTE オーバーサンプリング アルゴリズムを使用しています。

7.データの次元削減 (次元削減)。データの次元削減とは、モデルを簡素化し、過剰適合を回避するために、データ情報を可能な限り保持しながらデータの次元を削減することです。データの次元削減の一般的な方法には、特徴選択と特徴抽出が含まれます。

モデルの構築 ニューラルネットワーク + ツリーモデル

この研究で使用されたニューラル ネットワークは 2 つの隠れ層で構成されています、最初の層のニューロンの数は 8 ～ 96 で、2 番目の層のニューロンの数は 0 ～ 96 です。モデルのハイパーパラメータの組み合わせは、ランダム検索とベイジアン最適化によって自動的に最適化されます。

さらに、研究者らは、並列バギング アルゴリズムとランダム フォレスト (RF、ランダム フォレスト) アルゴリズム、シリアル AdaBoost アルゴリズム、および勾配ブースティング (Gradient Boosting) アルゴリズムを含む 4 つのツリー モデル アルゴリズムのパフォーマンスも比較しました。

モデルの評価基準には、精度、精度、混同行列、F1 スコア、再現率曲線、AUC が含まれます。

解釈可能性 シャープ

解釈可能なモデルは、機械学習モデルの意思決定プロセスを理解するのに役立ちます。モデルの解釈可能性を向上させるには、主に 2 つの手法があります。本質的解釈可能性と事後的解釈可能性。

前者は、線形回帰、ロジスティック回帰、デシジョン ツリーなどの一目瞭然のモデルを通じて実現できます。この方法は解釈可能性は高いですが、精度は低くなります。後者は、アンサンブル手法、サポート ベクター マシン、ニューラル ネットワークなどのサロゲート モデルを通じて既存のモデルを説明します。

また、SHAP (Shapley Additive Preparation) メソッドでは、ゲーム理論の Shapley 値を使用して、モデル内の特徴の重要度を計算できます。、助触媒の設計にインスピレーションを与えます。

実験結果

性能比較 ランダムフォレストモデルが最高

研究者らは、相互検証を通じてモデルのハイパーパラメータを最適化した後、ニューラル ネットワークとツリー モデルのアルゴリズムのパフォーマンスを比較しました。その中で、ランダム フォレスト アルゴリズムは最も優れた汎化能力を備えており、テスト精度は 70.37%、AUC は 0.784 です。 。

ランダム フォレスト モデルは、低性能および中性能の助触媒を高性能と誤認することなく正確に識別できることは注目に値します。ランダムフォレストモデルが高性能助触媒の特性を正確に捉えられることを実証。

a: さまざまなモデルの精度、相互検証精度、テスト精度および AUC。

b: ランダムフォレストモデルの混同行列。

c：ランダムフォレストモデルのROC曲線。

d: ランダムフォレストモデルの学習曲線。

次に研究者らは、低パフォーマンスと中パフォーマンスを 1 つのカテゴリに、高パフォーマンスを 1 つのカテゴリにグループ化し、モデルをバイナリ出力に変換しました。ランダムフォレストの精度は96.30%、AUCは0.79です。 。

機能の重要性 助触媒の種類

適合されたランダム フォレスト モデルに対して特徴重要度分析を実行すると、モデルの解釈可能性が向上します。PEC 電解セルの固有特性の重要性は、ジニ重要度または不純物の平均減少率によって評価できます。。

助触媒に関連するパラメーターは、ランダム フォレスト モデルの予測に最も大きな影響を与えます。特に助触媒の種類と助触媒の金属の種類。次に重要なことは助触媒の調製方法であり、助触媒の形態やサイズにも影響します。さらに、光アノードのサイズもランダム フォレスト モデルの出力に大きく影響する可能性があります。したがって、PEC 光アノードを最適化する場合、助触媒を主な指標として使用し、同時に光アノードのサイズを最適化する必要があります。。

SHAP分析 助触媒の厚さ

研究者らはまた、SHAP を使用してバイナリ出力ランダム フォレスト モデルの特徴重要度を計算しました。

で、助触媒の厚さは最も重要な入力特性です。厚さが減少すると、SHAP 値が増加し、モデルのパフォーマンスへの影響が増大します。助触媒の厚さが 5 ～ 10 nm の場合、SHAP はプラスとなり、厚さを薄くするとモデルのパフォーマンスが向上する可能性が高いことを示します。

電解質濃度が0.5Mを超えるとSHAPはプラスとなり、これは、高濃度の電解質が PEC 光電極の性能向上に有益であることを示しています。。

この結果は、ホウ酸カリウム緩衝液が最も理想的な電解質であること、コバルト含有助触媒が性能向上に有益であること、および金属水酸化物が性能向上に有益であることも示しています。

c: SHAP 値に対する助触媒の厚さの影響。

d: SHAP 値に対する光アノードの厚さの影響。

e: SHAP 値に対する電解質濃度の影響。

まとめると、BiVO₄  単結晶上の厚さが 5 ～ 10 nm のコバルトベースの水酸化物は、0.5 M を超える濃度のホウ酸カリウム電解質中で良好な PEC 水分解特性を示す可能性があります。

PEC 水の分解: 水素製造のより有望なソリューション

世界人口の増加に伴い、世界のエネルギー需要は増加し続けています。再生可能エネルギーの探索は喫緊の課題となっている。太陽エネルギーは再生可能でカーボンフリーのエネルギー源であり、世界の再生可能エネルギーの 99% 以上を占めています。しかし、化石エネルギーを完全に置き換えるには、太陽エネルギーの間欠問題を解決するために大規模なエネルギー貯蔵設備が必要です。バッテリーは短期的なエネルギー貯蔵のニーズを満たすことができるかもしれません。しかし、長期的かつ季節限定のエネルギー貯蔵の唯一の選択肢は燃料です。

植物は光エネルギーを利用して、光合成を通じて水から電子を抽出し、これらの電子を高エネルギー化学結合に蓄えることができます。このプロセスに触発されて、研究者たちは太陽エネルギーを利用して水を分解し、太陽エネルギーを製品の水素に蓄え始めました。

水素はエネルギー密度 (MJ/kg) が高く、炭素を排出しません。水素経済に直接参加したり、既存のエネルギー施設に合わせてフィッシャー・トロプシュ反応を通じて炭素燃料を合成したりできます。

現在、最も効果的な太陽エネルギー変換装置は太陽光発電装置（PV、Photovoltaics）であり、太陽エネルギーを電気エネルギーに変換した後、水を電気分解して水素を生成します。しかし、このアプローチは化石燃料と競争するにはコストが高すぎる。

PEC 水分解は安価な水素製造ソリューションを提供します。しかし、この反応ではキャリア伝達速度が遅い、再結合率が高い、電極が腐食しやすい、反応に必要な水質が高いなどの理由から、PECの水分解効率が低く、維持コストが高くなります。

AI の助けを借りて、研究者は PEC 光アノードと助触媒の組み合わせを最適化し、PEC 電極の設計効率を大幅に向上させることができます。同時に、説明可能な AI は、反応にとって最も重要な電極特性を特定し、電極最適化のための基準を提供し、世界的なエネルギー危機を解決するための新しいソリューションを提供できます。

参考リンク:

[1]https://onlinelibrary.wiley.com/doi/10.1002/aenm.201700555

[2]https://onlinelibrary.wiley.com/doi/10.1002/aenm.201802877

[3]https://www.britannica.com/science/photoSynthetic