Ученые, стремящиеся разработать новые катализаторы для преобразования углекислого газа (CO2) в метан, использовали новый подход искусственного интеллекта (ИИ) для определения ключевых каталитических свойств. Используя этот метод для отслеживания размера, структуры и химического состава каталитических частиц в реальных условиях реакции, ученые могут определить, какие свойства соответствуют наилучшей каталитической эффективности, а затем использовать эту информацию для разработки более эффективных катализаторов.
"Улучшение нашей способности преобразовывать CO2 в метан "убьет двух зайцев одним выстрелом", создав устойчивый источник энергии, не связанный с ископаемым топливом, который можно легко хранить и транспортируются при одновременном снижении выбросов углерода», - сказал Анатолий Френкель, химик, работающий по совместительству в Брукхейвенской национальной лаборатории Министерства энергетики США и Университете Стоуни-Брук..
Группа Френкеля разрабатывает подход машинного обучения для извлечения каталитических свойств из рентгеновских сигнатур катализаторов, собранных по мере того, как химические вещества трансформируются в реакциях. Текущий анализ описан в статье, только что опубликованной в Journal of Chemical Physics, основанной на рентгеновских данных, собранных в Аргоннской национальной лаборатории Министерства энергетики США.
Группа старшего химика из Аргонны Стефана Вайды, который в настоящее время работает в Институте физической химии им. Дж. Гейровского в Праге, подготовила селективные по размеру кластеры атомов меди. Затем они использовали масс-спектрометрию и рентгеновские лучи в Аргоннском усовершенствованном источнике фотонов (APS), чтобы изучить, как кластеры различного размера ведут себя в реакции и как изменяется их степень окисления во время реакции углекислого газа с водородом.
Медь показала себя многообещающей в качестве катализатора, который может снизить температуру реакции CO2 в метан. Селективные по размеру медные кластеры могут также помочь эффективно управлять реакцией до желаемого результата, избирательно производя только метан и водяной пар, не направляя реагенты по различным путям к другим продуктам.
«Вообще говоря, на пути реализации этой идеи стоят две основные проблемы, - сказал Френкель. «Во-первых, это незнание структуры приготовленных кластеров; чем они меньше, тем больше может быть вариаций в формах и структурах - даже при одинаковом количестве атомов в каждом кластере.
"Во-вторых, даже если мы начнем реакцию с кластеров определенного размера и формы, они могут трансформироваться в процессе реакции до неузнаваемости в различные формы оксидов."
Некоторые оксиды могут повышать реакционную способность; другие могут препятствовать реакции. Чтобы понять, как работает катализатор, ученым необходимо знать, какие типы оксидов образуются во время реакции и как они влияют на каталитическую эффективность.
Сбор спектральных данных
Рентгеновские данные, собранные при анализе катализаторов в APS или других источниках синхротронного света (включая Национальный источник синхротронного света II в Брукхейвенской лаборатории), содержат обширную информацию о химическом составе и структуре, поскольку эти свойства определяют, как x- лучи взаимодействуют с образцом. Но извлечение этой информации из данных, собранных из очень разбавленных образцов, состоящих из крошечных кластеров (содержащих всего четыре атома на кластер), представляет собой серьезную проблему..
«Эти образцы слишком малы для рассеяния рентгеновских лучей или методов визуализации, обычно используемых для характеристики материалов в наномасштабе», - сказал Френкель.
Вместо этого ученые проанализировали, как отдельные атомы меди поглощают синхротронное рентгеновское излучение.
Количество поглощенной рентгеновской энергии говорит им, сколько энергии требуется, чтобы «выбить» электрон с орбиты из каждого атома меди, что зависит от его степени окисления - сколько электронов может разделить атом в образовании химических связей. Чем менее окислен атом меди (это означает, что он удерживает свои электроны), тем меньше энергии требуется рентгеновским лучам, чтобы выбить электрон, потому что оставшиеся электроны помогают защитить убегающий электрон от притягивающего положительного заряда меди. медное ядро. Чем больше окислено (с меньшим количеством электронов), тем больше энергии требуется, чтобы выбить оставшийся электрон, потому что положительное притяжение незащищенного ядра труднее преодолеть.
Спектр поглощения рентгеновских лучей, таким образом, содержит информацию о степени окисления и другие детали, которые раскрывают особенности атомной структуры, включая количество соседних атомов, с которыми связан каждый атом меди. Но для извлечения этой информации ученым нужен был способ связать измеренные спектры с известными структурными массивами атомов меди с различными степенями окисления.
Вот тут и появляется искусственный интеллект. Ученые разработали искусственную нейронную сеть, «обученную» распознавать ключевые особенности в спектрах известных структур, чтобы затем находить неизвестные структуры, просто анализируя измеренные спектры.
Обучение сети
Разработка библиотеки известных структур, которые они могли бы использовать для обучения сети, представляла свои проблемы. За помощью группа Френкеля обратилась к Пинг Лю из Химического отдела Брукхейвена.
«Структура кластеров очень сильно зависит от того, как частицы взаимодействуют с подложкой, на которой они осаждаются, и реакционной средой», - сказал Лю, теоретик с большим опытом моделирования каталитической активности. «Мы построили модельные системы для кластеров металлов и оксидов металлов на носителе, достаточно сложных, чтобы уловить структуры и каталитическое поведение во время реакций, наблюдаемых экспериментально», - сказала она. «Эти операционные модели обеспечивают прочную основу, обеспечивающую точность и эффективность машинного обучения».
Затем команда использовала численные методы для генерации спектров, которые будут давать эти образцы - довольно простой подход - и использовали эти теоретически сгенерированные спектры для обучения нейронной сети.
Как только компьютер, работающий с программой нейронной сети, изучил отношения между спектральными характеристиками и ключевыми характеристиками известных кластеров - степенями окисления, числом соседних атомов и т. д. - ученые могли передать измеренные спектры из их экспериментальных кластеров в сеть, и это сообщит им характеристики кластера для этих образцов.
Характеристики кластеров
В эксперименте с медным катализатором ученые использовали этот подход для анализа спектров поглощения рентгеновских лучей от кластеров, состоящих из четырех, двенадцати или двадцати атомов меди.
Во время реакции эти кластеры проходят множество различных степеней окисления в зависимости от стадии реакции. Мы собрали спектры на этих разных стадиях и использовали наш подход машинного обучения для определения различных степеней окисления кластеров на различные стадии реакции. Мы также сопоставили степени окисления с наблюдаемой каталитической активностью, чтобы определить, какие структуры являются лучшими катализаторами», - сказал Френкель.
Данные других экспериментальных методов уже существовали для кластеров двух меньших размеров, поэтому они могут служить перекрестной проверкой новой техники. «Это сравнение показало, что мы смогли распознать степени окисления, соответствующие металлической меди или различным типам оксидов металлов, используя наш нейросетевой подход», - сказал Френкель.
Френкель впервые применил свой подход к машинному обучению для решения чего-то другого, кроме чисто металлических кластеров.
«Мы впервые смогли обучить сеть распознавать различные типы оксидов», - сказал он.
Это также первый раз, когда метод Френкеля был использован в качестве прогноза - для определения степеней окисления и других характеристик кластеров из 20 атомов меди, для которых нет других данных.
Оказывается, наиболее каталитически активным состоянием медного катализатора является смесь металлических кластеров (где медь связана только с другими атомами меди) и двух различных оксидов меди (CuO и Cu2O).
«Есть много реакций, в которых катализатор оказывается наиболее активным, когда он не полностью окисляется и не полностью восстанавливается», - сказал Френкель. «Те кластеры, которые способны образовать эту смесь трех разных состояний в правильных пропорциях, будут наиболее активными».
Группа Френкеля продолжает свой анализ, чтобы узнать больше о каталитическом механизме, и опубликует свои результаты в будущем.