De afgelopen decennia hebben onderzoekers actief bestudeerd hoe core-shell nanodeeltjes de prestaties kunnen verbeteren van katalytische systemen, die voornamelijk gebruik maken van metaalkatalysatoren die chemische reacties versnellen.

Onderzoekers van Skoltech analyseerden de nieuwste prestaties op het gebied van de synthese van kern-schildeeltjes, onderzoeksmethoden en technieken voor het aanpassen van hun eigenschappen, en identificeerden ook de meest veelbelovende gebieden voor toekomstig onderzoek. Er is een grote recensie gepubliceerd in Nanoscale .

Bimetaalkern-schildeeltjes zijn nanodeeltjes die in grootte variëren van 1 tot 100 nanometer. Hun kern en schaal bestaan ​​uit verschillende metalen. Nanodeeltjes bezitten, in tegenstelling tot gewone deeltjes, unieke kenmerken die hun actieve gebruik mogelijk maken bij de diagnose van kanker, de creatie van compacte elektronische apparaten, het ontwerp van zonnepanelen en op vele andere gebieden.

"We hebben een grote review gemaakt waarin we laten zien hoe de eigenschappen van nanodeeltjes experimenteel kunnen worden verfijnd. De review heeft betrekking op artikelen van de afgelopen drie tot vier jaar. De methoden voor de synthese en het onderzoek van nanomaterialen evolueren voortdurend, dus nu is bijna elk atoom kan onder een microscoop worden waargenomen, evenals de lagen van verschillende metalen in dergelijke deeltjes. Onderzoek heeft aangetoond dat de katalytische activiteit van deeltjes kan worden beïnvloed door veranderingen in het aantal metaallagen”, zegt Ilya Chepkasov, de belangrijkste auteur van het artikel. studie en senior onderzoeker bij het Energy Transition Center van Skoltech.

De auteurs hebben verschillende problemen geïdentificeerd waaraan zij in toekomstige studies aandacht willen besteden. Het probleem van het ontdekken van de samenstelling van de oppervlakken van kern-schildeeltjes maakt het een grotere uitdaging om de relatie tussen hun structuur en eigenschappen te begrijpen. Om de synthese van bimetaalkern-schildeeltjes te verbeteren, is het van cruciaal belang om de samenstelling van hun oppervlak te achterhalen.

Het team wees er ook op dat de studie van nanomaterialen nieuwe theoretische methoden vereist om de eigenschappen van verbindingen te voorspellen die nog niet experimenteel zijn onderzocht en zelfs niet eens zijn gesynthetiseerd.

Een van de meest effectieve manieren om dit te doen is het gebruik van moderne ontwikkelingen op het gebied van kunstmatige intelligentie, bijvoorbeeld op descriptor gebaseerde en descriptorvrije machine learning-modellen, om de noodzakelijke eigenschappen te voorspellen. Grafische neurale netwerken kunnen worden gebruikt om de atomaire structuur van een nanodeeltje te decoderen en de relaties tussen de structuur en eigenschappen ervan te bepalen.

"Onze review is niet alleen een systematische beschrijving van eerdere onderzoeken, het is een analyse van eerder verkregen gegevens en een gedetailleerde discussie van veelbelovende gebieden die we hebben geïdentificeerd op basis van deze gegevens. Er zijn veel belangrijke richtingen. Een daarvan is de ontwikkeling van nieuwe voorspellende, op AI gebaseerde methoden zullen helpen om snel en nauwkeurig de gewenste eigenschappen te bepalen van de toekomstige nanodeeltjes die kunnen worden gebruikt als katalysator voor verschillende chemische processen”, zegt Alexander Kvashnin, co-auteur van het onderzoek en professor aan de Energy Energy Institute (Energie). Transitiecentrum bij Skoltech.

Meer informatie: Ilya V. Chepkasov et al, Structuurgestuurde afstemming van katalytische eigenschappen van kern-schil nanostructuren, Nanoschaal (2024). DOI:10.1039/D3NR06194A

Journaalinformatie: Nanoschaal

Aangeboden door Skolkovo Instituut voor Wetenschap en Technologie