桑迪亞國家實驗室的一個由材料科學家和計算機科學家組成的團隊，與一些國際合作伙伴，花了一年多的時間創造了12種新合金，并建模了數百種新合金，這證明了機器學習如何有助于加速未來的發展通過讓消費者更容易地創建氫基礎設施來獲得氫能源。

Vitalie Stavila, Mark Allendorf,Matthew Witman和Sapan Agarwal是Sandia團隊的成員，他們與瑞典Angstrom實驗室和英國諾丁漢大學的研究人員一起發表了一篇論文，詳細介紹了他們的方法。

“在儲氫研究方面有著悠久的歷史，并且有一個描述氫與不同材料相互作用的熱力學值的數據庫，”威特曼說。“有了現有的數據庫、各種機器學習和其他計算工具，以及最先進的實驗能力，我們進行了國際合作在這一努力中聯合力量。我們證明，機器學習技術確實可以模擬氫與金屬相互作用時發生的復雜現象的物理和化學現象。”

擁有數據驅動的建模能力來預測熱力學性質可以迅速提高研究速度。事實上,一旦構建和訓練這樣的機器學習模型只需要幾秒鐘的時間就可以執行，因此可以快速篩選新的化學空間:在這種情況下，600種材料顯示出了氫存儲和傳輸的前景。

“這僅僅用了18個月就完成了，”阿倫多夫說。如果沒有機器學習，這可能需要幾年的時間。考慮到從歷史上看，一種材料從實驗室發現到商業化大約需要20年的時間，這是很重要的。”

改變氫能儲存的潛力該團隊還在他們的工作成果中發現了其他一些東西，這些結果對氫燃料電池加氣站的小規模產氫具有重大意義。

Stavila說:“這些高熵合金氫化物可以使氫在不同材料中流動時進行自然級聯壓縮。”他補充說，壓縮氫傳統上是通過機械過程完成的。

他描述了用這些不同的合金多層堆砌一個儲存罐的過程。當氫氣被泵入燃料箱時，第一層壓縮氣體，使其在材料中流動。第二層將其進一步壓縮，以此類推，通過所有不同的合金層，自然地使氫可以用于發電的發動機。

在海平面的大氣條件下產生的氫的壓力約為1巴——壓力的公制單位。氫燃料電池為汽車或其他發動機提供動力，這是必須的壓縮到更高的壓力。例如,燃料電池充電站的氫必須有800巴或更高的壓力，這樣它才能作為700巴的氫分配到燃料電池氫汽車中。

“隨著氫穿過這些層，它變得越來越多沒有機械的壓力，”Stavila解釋道。“你可以從理論上講，泵入1巴的氫氣可以得到800巴的氫氣——這是氫氣充電站所需要的壓力。”

阿加瓦爾說，該團隊仍在改進模型，但由于數據庫已經通過能源部公開，一旦對該方法有了更好的理解，使用機器學習可能會在包括材料科學在內的眾多領域取得突破。

摘譯自：energy metal news.