🔬 fisica

Machine learning prediction of hydrogen sorption properties of zirconium-titanium based C14 Laves phase AB 2 alloy from chemical composition

Questo studio dimostra che i modelli di apprendimento automatico addestrati sulle percentuali atomiche elementari possono prevedere efficacemente le proprietà chiave di sorzione dell'idrogeno delle leghe AB2 della fase di Laves C14 a base di Zr–Ti, raggiungendo un'elevata accuratezza per il volume della cella unitaria e una moderata accuratezza per la pressione di equilibrio, accelerando così la progettazione di materiali per lo stoccaggio dell'idrogeno.

Autori originali: Suwarno Suwarno, Mohammad Ismail, witantyo Witantyo, Ivan Tolj

Pubblicato 2026-11-02

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Suwarno Suwarno, Mohammad Ismail, witantyo Witantyo, Ivan Tolj

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

L'idrogeno è un combustibile pulito che brucia senza inquinamento, ma immagazzinarlo è un complicato problema di ingegneria. Poiché l'idrogeno è l'elemento più leggero dell'universo, occupa una quantità enorme di spazio a meno che non venga compresso strettamente insieme. Un modo per risolvere questo problema è intrappolare gli atomi di idrogeno all'interno della struttura cristallina di un metallo, creando un materiale solido che contenga il gas in modo sicuro. Questi materiali, chiamati idruri metallici, possono assorbire l'idrogeno come una spugna assorbe l'acqua e rilasciarlo nuovamente quando necessario. Tra i molti tipi di metalli studiati, un gruppo specifico noto come leghe AB2 ha mostrato grande promettentezza. Queste sono miscele di due metalli diversi che formano un modello rigido e ripetitivo chiamato reticolo cristallino. Quando l'idrogeno entra nel reticolo, ne cambia la dimensione del modello e l'energia necessaria per trattenere il gas. Gli scienziati devono sapere esattamente come avvengono questi cambiamenti per progettare batterie e serbatoi di carburante migliori, ma testare ogni possibile combinazione di metalli in un laboratorio è lento, costoso e spesso impossibile da fare per ogni miscela teorica.

Per accelerare questo processo di scoperta, i ricercatori dell'Indonesia, della Malesia e della Croazia si sono rivolti a un tipo diverso di strumento: l'apprendimento automatico (machine learning). Invece di fondere i metalli in un forno per ogni esperimento, hanno insegnato a un computer a prevedere il comportamento di queste leghe in base alla loro composizione chimica. Il team si è concentrato su una specifica famiglia di leghe composte principalmente da zirconio e titanio, che sono note per formare una struttura cristallina esagonale chiamata fase Laves C14. Hanno raccolto una vasta collezione di dati da studi scientifici precedenti, compilando informazioni su 244 diverse ricette di leghe. Per ogni ricetta, sapevano esattamente quali elementi erano presenti e in quali quantità, così come le proprietà fisiche risultanti: quanto si espandeva la struttura cristallina quando assorbiva l'idrogeno, quanto calore veniva rilasciato durante il processo, quanta disordine veniva creato e la pressione alla quale l'idrogeno si stabilizzava.

I ricercatori volevano vedere se potevano prevedere questi quattro risultati chiave guardando semplicemente l'elenco degli ingredienti. Hanno testato due modi diversi di fornire queste informazioni al computer. Il primo metodo utilizzava le percentuali grezze di ciascun elemento, come "10 percento di titanio" o "5 percento di manganese". Il secondo metodo utilizzava proprietà fisiche calcolate derivate da quegli ingredienti, come la dimensione media degli atomi, la densità del materiale e il rapporto tra i due tipi principali di metallo. Hanno addestrato cinque diversi tipi di algoritmi informatici su questi dati, suddividendo le informazioni in modo che il computer imparasse dalla maggior parte degli esempi e venisse testato su quelli che non aveva mai visto prima. Questo approccio ha permesso loro di giudicare quanto bene il computer potesse indovinare le proprietà di una nuova lega non vista.

I risultati hanno mostrato un vincitore chiaro nel modo di descrivere gli ingredienti. Il computer ha performato significativamente meglio quando gli veniva fornito la semplice lista delle percentuali degli elementi piuttosto che le proprietà fisiche calcolate. Nel prevedere la dimensione della cella unitaria del cristallo — la minuscola scatola che si ripete per formare il metallo — il modello che utilizzava le percentuali degli elementi è stato straordinariamente accurato. Un semplice modello lineare, che cerca relazioni a linea retta tra i punti dati, ha raggiunto un punteggio di 0,955 sul set di test, il che significa che poteva prevedere la dimensione del cristallo con un'altissima precisione. Ciò suggerisce che la dimensione del cristallo è ampiamente determinata da una media diretta delle dimensioni degli atomi al suo interno. Al contrario, i modelli che utilizzavano le proprietà fisiche più complesse hanno faticato a raggiungere lo stesso livello di accuratezza, indicando che quei numeri calcolati potrebbero nascondere alcuni dei dettagli specifici di cui il computer ha bisogno.

Tuttavia, la storia è diversa per le altre proprietà. Prevedere il calore rilasciato durante l'assorbimento dell'idrogeno si è rivelato molto più difficile. Anche i migliori modelli riuscivano a catturare solo circa la metà della variazione dei dati, suggerendo che il calore di assorbimento dipenda da fattori elettronici e strutturali sottili che una semplice lista di ingredienti non può spiegare completamente. La previsione dell'entropia, che misura il disordine o l'imprevedibilità creato quando l'idrogeno entra nel metallo, è stata l'attività più difficile di tutte. La maggior parte dei modelli informatici ha performato peggio di una semplice ipotesi del valore medio per ogni nuova lega, indicando che i dati attuali non contengono informazioni sufficienti per comprendere le complesse vibrazioni e disposizioni che governano questa proprietà.

La pressione di equilibrio, ovvero la forza con la quale l'idrogeno si siede comodamente all'interno del metallo, ha mostrato un successo moderato. Il computer poteva prevedere questo valore ragionevolmente bene, specialmente quando utilizzava le percentuali degli elementi. Interessantemente, i ricercatori hanno trovato un forte legame tra la pressione e la dimensione della cella cristallina: man mano che la scatola cristallina diventava più grande, la pressione necessaria per trattenere l'idrogeno diminuiva. Questo ha senso fisicamente perché uno spazio più grande all'interno del metallo rende più facile l'inserimento degli atomi di idrogeno, richiedendo meno pressione per forzarli lì. Lo studio conclude che, sebbene il machine learning sia uno strumento potente per progettare questi materiali per lo stoccaggio dell'idrogeno, funziona meglio per le proprietà strutturali come la dimensione. Per i comportamenti termodinamici più complessi come il calore e il disordine, gli scienziati dovranno sviluppare modi più intelligenti per descrivere i materiali prima che i computer possano prevederli in modo affidabile. Questo lavoro fornisce una chiara strada da seguire, mostrando che conoscere la ricetta esatta di una lega è spesso più utile rispetto al conoscere i suoi tratti fisici derivati quando si cerca di prevedere come essa possa immagazzinare energia.

Sintesi Tecnica: Predizione tramite Machine Learning delle Proprietà di Assorbimento di Idrogeno in Leghe a Fase di Laves C14 basate su Zr-Ti

Definizione del Problema
La progettazione di idruri metallici per lo stoccaggio di idrogeno allo stato solido e per applicazioni nelle batterie richiede un controllo preciso sulle proprietà termodinamiche e strutturali. Nello specifico, le leghe $AB_2$ con fase di Laves C14 basate su Zr-Ti sono di grande interesse grazie alle loro elevate capacità di idrogeno e alle proprietà di attivazione. Tuttavia, la determinazione sperimentale dei parametri chiave di assorbimento dell'idrogeno — come il volume della cella unitaria ( $V_{14}$ ), l'entalpia di assorbimento dell'idrogeno ( $\Delta H$ ), l'entropia di assorbimento dell'idrogeno ( $\Delta S$ ) e la pressione di plateau di equilibrio ( $P_{eq}$ ) — è una procedura che richiede molte risorse. Sebbene il machine learning (ML) sia stato applicato alla predizione degli idruri metallici, i database esistenti sono spesso obsoleti e le caratteristiche di input ottimali per predire specifiche proprietà delle fasi di Laves rimangono scarsamente esplorate. Questo studio affronta la necessità di sviluppare modelli di ML robusti che predicano tali proprietà di assorbimento direttamente dalla composizione chimica, confrontando due distinti approcci di ingegneria delle caratteristiche (feature engineering).

Metodologia
I ricercatori hanno costruito un dataset curato comprendente 244 voci di leghe $AB_2$ basate su Zr-Ti, estratte dalla letteratura accademica. Il dataset è stato filtrato per includere solo leghe con fasi di Laves C14 identificate, rimuovendo le voci con sole fasi C15 o con una varianza insufficiente nella composizione elementare.

Due categorie di variabili indipendenti (caratteristiche) sono state sistematicamente confrontate:

Percentuale Atomica degli Elementi: Rappresentazione diretta della composizione chimica della lega.
Variabili Basate sulle Proprietà: Descrittori fisici derivati calcolati dalla composizione, tra cui massa molare, densità apparente, volume molare, rapporto dei raggi atomici, modulo di bulk, densità elettronica e il rapporto B/A.

Sono stati valutati cinque algoritmi di machine learning: Regressione Lineare Multivariata (LR), Random Forest (RF), Ridge Regression, k-Nearest Neighbors (KNN) ed Extreme Gradient Boosting (XGBoost). Il flusso di lavoro ha previsto:

Pre-elaborazione: Rimozione degli elementi a bassa varianza (es. Ho, Sn, Al) e gestione delle alte correlazioni (es. tra Ti e Zr, che sono state mantenute a causa del loro ruolo critico nella sostituzione del sito A). I dati sono stati scalati utilizzando la normalizzazione Min-Max.
Selezione delle Caratteristiche: È stata utilizzata la selezione delle caratteristiche in avanti (forward feature selection) per identificare i sottoinsiemi più informativi di variabili per ogni target e algoritmo.
Addestramento e Validazione del Modello: Il dataset è stato diviso in set di addestramento (80%) e di test (20%). Le prestazioni sono state rigorosamente valutate tramite cross-validazione a 5 fold.
Metriche di Valutazione: I modelli sono stati valutati in base al coefficiente di determinazione ( $R^2$ ), all'Errore Assoluto Medio (MAE) e alla Radice dell'Errore Quadratico Medio (RMSE).

Risultati Chiave
Lo studio ha prodotto esiti di performance distinti a seconda della variabile target e del tipo di caratteristica utilizzata:

Volume della Cella Unitaria ( $V_{14}$ ): Questa è stata la variabile predetta con maggior successo. I modelli che utilizzavano le caratteristiche della percentuale atomica degli elementi hanno superato significativamente quelli basati sulle proprietà fisiche. In particolare, un semplice modello di Regressione Lineare ha raggiunto la più alta accuratezza sul set di test con un $R^2$ di 0,955, superando metodi d'insieme complessi come XGBoost e RF. Ciò suggerisce una relazione prevalentemente lineare tra la composizione elementare e il volume della cella unitaria. Al contrario, le caratteristiche basate sulle proprietà hanno prodotto un $R^2$ di test inferiore di 0,670 per la LR, sebbene la RF abbia raggiunto 0,931.
Entalpia ( $\Delta H$ ) ed Entropia ( $\Delta S$ ): La predizione delle proprietà termodinamiche si è rivelata problematica.
- Per $\Delta H$ , il miglior $R^2$ di validazione è stato moderato, pari a 0,561 (RF con caratteristiche basate sulle proprietà) e 0,531 (KNN con caratteristiche basate sugli elementi).
- Per $\Delta S$ , le prestazioni sono state scarse; la maggior parte dei modelli ha prodotto valori di $R^2$ di validazione negativi, indicando che hanno performato peggio di una semplice predizione della media. Il miglior $R^2$ di validazione è stato solo 0,218 (KNN con caratteristiche basate sugli elementi).
Pressione di Equilibrio ( $P_{eq}$ ): Questa variabile ha mostrato un'accuratezza di predizione moderata. Il miglior $R^2$ di validazione ha raggiunto lo 0,739 (raggiunto sia da KNN che da XGBoost utilizzando le caratteristiche basate sugli elementi). Un risultato significativo è stata l'osservata correlazione lineare tra $P_{eq}$ e $V_{14}$ , coerente con l'equazione di van 't Hoff, dove volumi della cella unitaria più grandi correlano con pressioni di equilibrio più basse.

Contributi e Significatività
Il documento dimostra che il machine learning può accelerare efficacemente la progettazione di leghe per l'assorbimento di idrogeno $AB_2$ , in particolare per la predizione di proprietà strutturali come il volume della cella unitaria direttamente dalla composizione chimica.

Efficacia delle Caratteristiche: Lo studio stabilisce che le percentuali atomiche grezze degli elementi sono superiori alle proprietà fisiche derivate per predire $V_{14}$ , probabilmente perché forniscono una rappresentazione più granulare delle variazioni dipendenti dalla composizione.
Selezione dell'Algoritmo: I risultati evidenziano che la complessità del modello non sempre equivale a una migliore prestazione; per la predizione di $V_{14}$ , i modelli lineari hanno superato i metodi d'insieme non lineari, suggerendo che la fisica sottostante è ampiamente lineare rispetto ai raggi atomici.
Limitazioni e Direzioni Future: Gli autori concludono con modestia che, sebbene le proprietà strutturali siano prevedibili, le proprietà termodinamiche ( $\Delta H$ , $\Delta S$ ) rimangono difficili da modellare con gli attuali descrittori. La bassa accuratezza per l'entropia suggerisce che gli attuali descrittori delle proprietà bulk non riescono a catturare i complessi contributi configurazionali, vibrazionali ed elettronici che governano tali valori. Il lavoro ipotizza che sia necessaria un'ingegneria delle caratteristiche più avanzata per migliorare la predizione delle proprietà di assorbimento termodinamico.

In sintesi, questo lavoro valida l'utilità degli approcci basati sui dati per lo screening rapido delle leghe a fase di Laves basate su Zr-Ti, offrendo una via affidabile per la predizione dei parametri strutturali e identificando al contempo lacune specifiche nei set di caratteristiche attuali per la predizione termodinamica.

Articoli simili