Wetenschappers die nieuwe katalysatoren willen ontwerpen om koolstofdioxide (CO .) om te zetten ₂ ) tot methaan hebben een nieuwe kunstmatige intelligentie (AI) -benadering gebruikt om belangrijke katalytische eigenschappen te identificeren. Door deze methode te gebruiken om de grootte te volgen, structuur, en chemie van katalytische deeltjes onder reële reactieomstandigheden, de wetenschappers kunnen identificeren welke eigenschappen overeenkomen met de beste katalytische prestaties, en vervolgens die informatie gebruiken om het ontwerp van efficiëntere katalysatoren te sturen.

"Ons vermogen om CO . om te zetten verbeteren ₂ methaan zou 'twee vliegen in één klap slaan' door een duurzame niet-fossiele energiebron te maken die gemakkelijk kan worden opgeslagen en vervoerd en tegelijkertijd de koolstofemissies vermindert, " zei Anatoly Frenkel, een chemicus met een gezamenlijke aanstelling bij het Brookhaven National Laboratory van het Amerikaanse ministerie van Energie en de Stony Brook University.

De groep van Frenkel heeft een machinaal lerende benadering ontwikkeld om katalytische eigenschappen te extraheren uit röntgensignaturen van katalysatoren die worden verzameld terwijl chemicaliën worden omgezet in reacties. De huidige analyse wordt beschreven in een artikel dat zojuist is gepubliceerd in de Tijdschrift voor Chemische Fysica , gebaseerd op röntgengegevens verzameld in het Argonne National Laboratory van DOE.

Het team van Argonne senior chemicus Stefan Vajda, nu aan het J. Heyrovský Instituut voor Fysische Chemie in Praag, bereide grootte-selectieve clusters van koperatomen. Vervolgens gebruikten ze massaspectrometrie en röntgenstralen bij Argonne's Advanced Photon Source (APS) om te bestuderen hoe clusters van verschillende grootte presteerden in de reactie en hoe hun oxidatietoestand evolueerde tijdens de reactie van koolstofdioxide met waterstof.

Koper is veelbelovend gebleken als katalysator die de temperatuur van de CO . kan verlagen ₂ -naar-methaan reactie. Grootte-selectieve koperclusters kunnen ook helpen de reactie efficiënt naar het gewenste resultaat te sturen - selectief alleen methaan en waterdamp produceren - zonder reactanten langs verschillende paden naar andere producten te leiden.

"Er zijn, in grote lijnen, twee grote uitdagingen bij de uitvoering van dit idee, " zei Frenkel. "De eerste is het gebrek aan kennis van de structuur van de voorbereide clusters; hoe kleiner ze zijn, hoe meer variaties er kunnen zijn in vormen en structuren, zelfs als het aantal atomen in elke cluster hetzelfde is.

"Tweede, zelfs als we de reactie starten met clusters van een bepaalde grootte en vorm, ze kunnen onherkenbaar transformeren tijdens de reactie op verschillende vormen van oxiden."

Sommige van de oxiden zouden de reactiviteit kunnen versterken; anderen kunnen de reactie belemmeren. Om te begrijpen hoe de katalysator werkt, de wetenschappers moeten weten welke soorten oxiden zich tijdens de reactie vormen - en hoe ze de katalytische prestaties beïnvloeden.

Spectrale gegevens verzamelen

Röntgengegevens die zijn verzameld tijdens het analyseren van katalysatoren bij de APS of andere synchrotron-lichtbronnen (inclusief de National Synchrotron Light Source II in Brookhaven Lab) bevatten een schat aan informatie over de chemische samenstelling en structuur, omdat deze eigenschappen bepalen hoe röntgenstralen interageren met het monster . Maar het extraheren van die informatie uit gegevens die zijn verzameld uit ultra-verdunde monsters bestaande uit kleine clusters (met slechts vier atomen per cluster) vormt een grote uitdaging.

"Deze monsters zijn te klein voor röntgenverstrooiing of beeldvormingsmethoden die gewoonlijk worden gebruikt om materialen op nanoschaal te karakteriseren, ' zei Frenkel.

In plaats daarvan, de wetenschappers analyseerden hoe individuele koperatomen de synchrotron-röntgenstralen absorberen.

De hoeveelheid geabsorbeerde röntgenenergie vertelt hen hoeveel energie het kost om een ​​elektron uit de baan van elk koperatoom te "schoppen", die afhangt van de oxidatietoestand - hoeveel elektronen het atoom beschikbaar heeft om te delen in de vorming van chemische bindingen. Hoe minder geoxideerd het koperatoom is (wat betekent dat het zijn elektronen vasthoudt), hoe minder energie de röntgenstralen nodig hebben om een ​​elektron eruit te schoppen - omdat de elektronen die achterblijven het ontsnappende elektron helpen beschermen tegen de aantrekkelijke positieve lading van de koperkern. Hoe meer geoxideerd (met minder elektronen), hoe meer energie het kost om een ​​overblijvend elektron eruit te schoppen - omdat de positieve aantrekkingskracht van de niet-afgeschermde kern moeilijker te overwinnen is.

Het röntgenabsorptiespectrum bevat daarom informatie over de oxidatietoestand en andere details die kenmerken van de atomaire structuur onthullen, inclusief aan hoeveel aangrenzende atomen elk koperatoom is gebonden. Maar om deze informatie te extraheren, hadden de wetenschappers een manier nodig om de gemeten spectra te relateren aan bekende structurele arrays van koperatomen met verschillende oxidatietoestanden.

Dat is waar de kunstmatige intelligentie om de hoek komt kijken. De wetenschappers ontwikkelden een kunstmatig neuraal netwerk dat is 'getraind' om belangrijke kenmerken in spectra van bekende structuren te herkennen, zodat het vervolgens de onbekende structuren kan vinden door de gemeten spectra te analyseren.

Het netwerk trainen

Het ontwikkelen van een bibliotheek met bekende structuren die ze konden gebruiken om het netwerk te trainen, bracht zijn eigen uitdagingen met zich mee. Voor hulp, De groep van Frenkel wendde zich tot Ping Liu in de Chemie Divisie van Brookhaven.

"De structuur van de clusters hangt sterk af van hoe de deeltjes interageren met het ondersteunende substraat waarop ze zijn afgezet en de reactieve omgeving, " zei Liu, een theoreticus met uitgebreide ervaring met het modelleren van katalytische activiteit. "We hebben modelsystemen gebouwd voor de ondersteunde metaal- en metaaloxideclusters, complex genoeg om de structuren en het katalytische gedrag tijdens de reacties vast te leggen zoals experimenteel waargenomen, "zei ze. "Deze operationele modellen bieden een sterke basis die de nauwkeurigheid en efficiëntie van machine learning mogelijk maakt."

Vervolgens gebruikte het team numerieke methoden om de spectra te genereren die deze monsters zouden produceren - een vrij eenvoudige benadering - en gebruikte deze theoretisch gegenereerde spectra om het neurale netwerk te trainen.

Zodra de computer waarop het neurale netwerkprogramma draait de relaties tussen de spectrale kenmerken en de belangrijkste kenmerken van de bekende clusters had geleerd - de oxidatietoestanden, aantal naburige atomen, enzovoort - de wetenschappers zouden de gemeten spectra van hun experimentele clusters in het netwerk kunnen invoeren en het zou hen de clusterkenmerken voor die monsters kunnen vertellen.

Kenmerken van de clusters

In het koperkatalysatorexperiment, de wetenschappers gebruikten deze benadering om röntgenabsorptiespectra te analyseren van clusters bestaande uit vier, twaalf, of twintig koperatomen.

"Tijdens de reactie deze clusters doorlopen veel verschillende oxidatietoestanden, afhankelijk van het stadium van de reactie. We verzamelden de spectra in deze verschillende stadia en gebruikten onze machine learning-aanpak om de verschillende oxidatietoestanden van de clusters in verschillende stadia van de reactie te identificeren. We hebben ook de oxidatietoestanden gecorreleerd met de waargenomen katalytische activiteit om te bepalen welke structuren de beste katalysatoren zijn, ' zei Frenkel.

Er waren al gegevens van andere experimentele methoden voor de twee kleinere clustergroottes, dus het zou kunnen dienen als een kruiscontrole van de nieuwe techniek. "Deze vergelijking toonde aan dat we de oxidatietoestanden konden herkennen die overeenkomen met metallisch koper of de verschillende soorten metaaloxide met behulp van onze neurale netwerkbenadering, ' zei Frenkel.

Dit was de eerste keer dat Frenkel zijn machine learning-aanpak toepaste om iets anders dan pure metalen clusters op te lossen.

"Het is de eerste keer dat we het netwerk hebben kunnen trainen om verschillende soorten oxiden te herkennen, " hij zei.

Het is ook de eerste keer dat de methode van Frenkel wordt gebruikt in een voorspellende capaciteit - om de oxidatietoestanden en andere kenmerken van de 20-koperatoomclusters te bepalen, waarvoor geen andere gegevens bestaan.

Het blijkt dat de meest katalytisch actieve toestand van de koperkatalysator een mengsel is van metallische clusters (waarbij koper alleen aan andere koperatomen is gebonden) en twee verschillende koperoxiden (CuO en Cu2O).

"Er zijn veel reacties waarbij de katalysator het meest actief blijkt te zijn wanneer deze niet volledig is geoxideerd of volledig is gereduceerd, "zei Frenkel. "De clusters die dit mengsel van de drie verschillende toestanden in de juiste verhoudingen kunnen vormen, zullen het meest actief zijn."

De groep van Frenkel zet hun analyse voort om meer te weten te komen over het katalytische mechanisme en zal hun resultaten in de toekomst publiceren.