该研究结果揭示了一种独特的模型，可以快速准确地预测新型合金材料，实现有效的化学转化。

两位弗吉尼亚理工大学化学工程系的教授LukeAchenie和HongliangXin，以及来自Xin的研究小组的XianfengMa和ZhengLi，在同行评审期刊撰写了这篇文章。

“这是从催化数据中学习的第一个例子。我们预计这种新方法将对未来的材料设计产生巨大影响，”辛说。

催化是由于添加称为催化剂的物质而导致的化学反应速率的增加。催化剂有多种形式，包括：酸，固体金属，纳米颗粒和人体内的大蛋白分子或酶。

百分之九十的工业重要化学品是使用催化剂制造的。它是应用科学的一个主要领域;因此弗吉尼亚理工大学化学工程成员采用新方法的重要性。

两种或多种金属的混合物具有非常精确的原子结构和组成“已显示出催化许多化学和电化学反应的巨大希望，”辛说。

过去，混合金属混合物的测试产生了新的物理和化学性质。“然而，使用传统方法寻找高度优化的合金时，这个过程非常耗时且成本高昂，”Achenie补充说。

这就是为什么Achenie和Xin决定使用现有数据来训练计算机算法来预测新材料，这个领域称为机器学习。根据他们的文章，这种方法通过人工神经网络捕获金属表面上分子的复杂非线性相互作用，从而允许“大规模探索合金材料空间”。

他们特别关注金属电极上二氧化碳的电化学还原“，因为目前人们对这种可持续生产燃料和增值化学品的过程感兴趣，”辛解释说。

二氧化碳(CO2)是一种多功能的工业材料，用于从灭火器到采油到碳酸饮料的各种物质，但它也是一种主要的温室气体。将二氧化碳转化为有用的物质可以大大减少其向大气中的排放，并有助于缓解全球变暖问题。

凭借他们的模型和他们的设计方法，他们已经确定了一些有前景的铜多金属，具有更高的能量转换效率和二氧化碳电还原成乙烯的可能更高的选择性，乙烯是制造塑料的工业中非常有用的化学品。