Chemie is een complexe dans van atomen. Subtiele verschuivingen in positie en shuffles van elektronen breken en maken chemische bindingen opnieuw aan als deelnemers van partner wisselen. Katalysatoren zijn als moleculaire matchmakers die het voor soms onwillige partners gemakkelijker maken om met elkaar om te gaan.

Nu hebben wetenschappers een manier om de details van scheikundechoreografie vast te leggen terwijl het gebeurt. De methode, die gebaseerd is op computers die hebben geleerd verborgen tekens van de stappen te herkennen, zou hen moeten helpen de prestaties van katalysatoren te verbeteren om sneller reacties op gewenste producten te stimuleren.

De methode, ontwikkeld door een interdisciplinair team van chemici, computationele wetenschappers, en natuurkundigen van het Brookhaven National Laboratory van het Amerikaanse ministerie van Energie en de Stony Brook University - wordt beschreven in een nieuw artikel dat is gepubliceerd in de Journal of Physical Chemistry Letters . De paper laat zien hoe het team neurale netwerken en machine learning gebruikte om computers te leren om voorheen ontoegankelijke informatie uit röntgengegevens te decoderen. en vervolgens die gegevens gebruikten om 3D-structuren op nanoschaal te ontcijferen.

Structuren op nanoschaal decoderen

"De grootste uitdaging bij het ontwikkelen van katalysatoren is te weten hoe ze werken, zodat we rationeel betere kunnen ontwerpen, niet met vallen en opstaan, " zei Anatoly Frenkel, leider van het onderzoeksteam die een gezamenlijke afspraak heeft met Brookhaven Lab's Chemistry Division en Stony Brook University's Materials Science Department. "De verklaring voor hoe katalysatoren werken, ligt op het niveau van atomen en zeer nauwkeurige metingen van afstanden ertussen, die kunnen veranderen als ze reageren. Daarom is het niet zo belangrijk om de architectuur van de katalysatoren te kennen wanneer ze worden gemaakt, maar belangrijker om die te volgen terwijl ze reageren."

Het probleem is, belangrijke reacties - die welke belangrijke industriële chemicaliën zoals meststoffen creëren - vinden vaak plaats bij hoge temperaturen en onder druk, wat de meettechnieken bemoeilijkt. Bijvoorbeeld, Röntgenstralen kunnen bepaalde structuren op atomair niveau onthullen door ervoor te zorgen dat atomen die hun energie absorberen elektronische golven uitzenden. Terwijl die golven interageren met nabijgelegen atomen, ze onthullen hun posities op een manier die vergelijkbaar is met hoe vervormingen in rimpelingen op het oppervlak van een vijver de aanwezigheid van rotsen kunnen onthullen. Maar het rimpelpatroon wordt ingewikkelder en uitgesmeerd wanneer hoge hitte en druk wanorde in de structuur introduceren, waardoor de informatie die de golven kunnen onthullen vervaagt.

Dus in plaats van te vertrouwen op het "rimpelpatroon" van het röntgenabsorptiespectrum, De groep van Frenkel bedacht een manier om naar een ander deel van het spectrum te kijken dat wordt geassocieerd met laagenergetische golven die minder worden beïnvloed door hitte en wanorde.

"We realiseerden ons dat dit deel van het röntgenabsorptiesignaal alle benodigde informatie bevat over de omgeving rond de absorberende atomen, " zei Janis Timosjenko, een postdoctoraal onderzoeker die samenwerkte met Frenkel bij Stony Brook en hoofdauteur van het papier. "Maar deze informatie is 'onder de oppervlakte' verborgen in de zin dat we geen vergelijking hebben om het te beschrijven, dus het is veel moeilijker te interpreteren. We moesten dat spectrum ontcijferen, maar we hadden geen sleutel."

Gelukkig hadden Yuewei Lin en Shinjae Yoo van Brookhaven's Computational Science Initiative en Deyu Lu van het Center for Functional Nanomaterials (CFN) aanzienlijke ervaring met zogenaamde machine learning-methoden. Ze hielpen het team een ​​sleutel te ontwikkelen door computers te leren de verbanden te vinden tussen verborgen kenmerken van het absorptiespectrum en structurele details van de katalysatoren.

"Janis nam deze ideeën en ging er echt mee aan de slag, ' zei Frenkel.

Het team gebruikte theoretische modellering om gesimuleerde spectra van enkele honderdduizenden modelstructuren te produceren, en gebruikten die om de computer te trainen om de kenmerken van het spectrum te herkennen en hoe ze correleerden met de structuur.

"Then we built a neural network that was able to convert the spectrum into structures, " Frenkel said.

When they tested to see if the method would work to decipher the shapes and sizes of well-defined platinum nanoparticles (using x-ray absorption spectra previously published by Frenkel and his collaborators) it did.

"This method can now be used on the fly, " Frenkel said. "Once the network is constructed it takes almost no time for the structure to be obtained in any real experiment."

That means scientists studying catalysts at Brookhaven's National Synchrotron Light Source II (NSLS-II), bijvoorbeeld, could obtain real-time structural information to decipher why a particular reaction slows down, or starts producing an unwanted product—and then tweak the reaction conditions or catalyst chemistry to achieve desired results. This would be a big improvement over waiting to analyze results after completing the experiments and then figuring out what went wrong.

In aanvulling, this technique can process and analyze spectral signals from very low-concentration samples, and will be particularly useful at new high flux and high-energy-resolution beamlines incorporating special optics and high-throughput analysis techniques at NSLS-II.

"This will offer completely new methods of using synchrotrons for operando research, " Frenkel said.