Fast discovery of new functional materials for greening industry

For at industrien skal oppnå karbonnøytralitet innen 2050 der fossilt brensel erstattes som råstoff og energikilde, må mange nye funksjonelle materialer utvikles. Den klassiske tilnærmingen til materialutvikling har vært screeningsprogrammer der et begrenset antall materialer syntetiseres og testes. Denne tilnærmingen er ressurs- og tidkrevende, og nye metoder for raskere utvikling av nye materialer har utviklet seg i løpet av de siste 30 årene. To motsatte tilnærminger er høy-kapasitets syntese og testing av materialer, og det andre kvantemekanisk modellering rettet mot å forstå prosesser på et molekylært nivå. De første prinsippene for kvantemekanisk modellering, slik som tetthetsfunksjonsteori (DFT), har gjort store fremskritt de siste 20 årene med kapasitet til å modellere fysiske egenskaper og reaksjonsmikrokinetikk, men er allikevel fortsatt tidkrevende. FUNMAT har som mål å øke effektiviteten av DFT-modellering av materialer og reaksjoner gjennom validert modellering av egenskaper til nøkkelmaterialer, kombinert med maskinlæring og endring av modellene fra en beskrivende til en prediktiv modus. Fokuset til FUNMAT vil være utvikling av funksjonelle materialer til en elektrokjemisk celle som produserer grønt hydrogen med høy effektivitet. Modellering vil bli kombinert med avanserte operando analysemetoder på modellprøver for å få innsikt i overflatestrukturen til materialene, noe som gir ytterligere validering av modelleringen. Nye materialer oppdaget i FUNMAT vil bli syntetisert og testet i fungerende elektrokjemiske celler. Vellykket resultat av dette prosjektet vil være effektive metoder for å finne nye materialer som vil hjelpe Yara til å nå sin målsetning om å produsere karbonnøytral mineralgjødsel innen 2050. Et annet viktig resultat vil være å demonstrere bruken av avansert modellering og maskinlæring i oppdagelsen av nye funksjonelle materialer.

The FUNMAT project aims to develop a fast and rigorous methodology for the development of new functional materials that will be necessary to transition the chemical and energy industries to carbon neutral production processes by 2050. The classical experimental screening method, where a limited numbers of materials are synthesized and tested for the target application, is inefficient in terms if resources and critically time. It still relies, to a large extent on intuition to select candidates. ; with advanced computational tools. First principles quantum mechanical calculations, such as Density Functional Theory (DFT) have been proven to be reliable for obtaining a wide range of materials properties. However, even with modern computational power, screening a large matrix of candidate materials is too time consuming to be practical. The approach in this project is to use machine learning, so that the outcome of calculations may be reliably predicted, leading to the so-called High-Throughput Virtual Screening (HTVS). The target test case is a novel electrode for a high temperature electrochemical cell that will co-produce green hydrogen and useful chemicals, when excess renewable electrical power is available; and useful chemicals and electrical power, when intermittent electrical power is absent. This system will reduce the power requirement to produce green hydrogen compared to conventional electrolyzers. Information used in the machine learning process will be validated with experimental data of materials properties; including surface and near surface structure composition and structure, and experimental kinetic data of key reactions. The successful development of this methodology is transferable to many chemical and electrochemical processes, that must to change to meet climate targets; including catalysis, power generation and energy storage. Success may encourage other industrial groups to consider advanced modelling as a tool for materials discovery