桑迪亚国家实验室的一个由材料科学家和计算机科学家组成的团队，与一些国际合作伙伴，花了一年多的时间创造了12种新合金，并建模了数百种新合金，这证明了机器学习如何有助于加速未来的发展通过让消费者更容易地创建氢基础设施来获得氢能源。

Vitalie Stavila, Mark Allendorf,Matthew Witman和Sapan Agarwal是Sandia团队的成员，他们与瑞典Angstrom实验室和英国诺丁汉大学的研究人员一起发表了一篇论文，详细介绍了他们的方法。

“在储氢研究方面有着悠久的历史，并且有一个描述氢与不同材料相互作用的热力学值的数据库，”威特曼说。“有了现有的数据库、各种机器学习和其他计算工具，以及最先进的实验能力，我们进行了国际合作在这一努力中联合力量。我们证明，机器学习技术确实可以模拟氢与金属相互作用时发生的复杂现象的物理和化学现象。”

拥有数据驱动的建模能力来预测热力学性质可以迅速提高研究速度。事实上,一旦构建和训练这样的机器学习模型只需要几秒钟的时间就可以执行，因此可以快速筛选新的化学空间:在这种情况下，600种材料显示出了氢存储和传输的前景。

“这仅仅用了18个月就完成了，”阿伦多夫说。如果没有机器学习，这可能需要几年的时间。考虑到从历史上看，一种材料从实验室发现到商业化大约需要20年的时间，这是很重要的。”

改变氢能储存的潜力该团队还在他们的工作成果中发现了其他一些东西，这些结果对氢燃料电池加气站的小规模产氢具有重大意义。

Stavila说:“这些高熵合金氢化物可以使氢在不同材料中流动时进行自然级联压缩。”他补充说，压缩氢传统上是通过机械过程完成的。

他描述了用这些不同的合金多层堆砌一个储存罐的过程。当氢气被泵入燃料箱时，第一层压缩气体，使其在材料中流动。第二层将其进一步压缩，以此类推，通过所有不同的合金层，自然地使氢可以用于发电的发动机。

在海平面的大气条件下产生的氢的压力约为1巴——压力的公制单位。氢燃料电池为汽车或其他发动机提供动力，这是必须的压缩到更高的压力。例如,燃料电池充电站的氢必须有800巴或更高的压力，这样它才能作为700巴的氢分配到燃料电池氢汽车中。

“随着氢穿过这些层，它变得越来越多没有机械的压力，”Stavila解释道。“你可以从理论上讲，泵入1巴的氢气可以得到800巴的氢气——这是氢气充电站所需要的压力。”

阿加瓦尔说，该团队仍在改进模型，但由于数据库已经通过能源部公开，一旦对该方法有了更好的理解，使用机器学习可能会在包括材料科学在内的众多领域取得突破。

摘译自：energy metal news.