On-the-fly analyse af, hvordan katalysatorer ændrer sig under reaktioner for at forbedre ydeevnen

Kemi er en kompleks dans af atomer. Subtile skift i position og blandinger af elektroner bryder og genopretter kemiske bindinger, når deltagerne skifter partner. Katalysatorer er som molekylære matchmakere, der gør det lettere for til tider tilbageholdende partnere at interagere.

Nu har videnskabsmænd en måde at fange detaljerne i kemi-koreografi, mens det sker. Metoden – som er afhængig af computere, der har lært at genkende skjulte tegn på trinene – skal hjælpe dem med at forbedre ydeevnen af ​​katalysatorer for at drive reaktioner mod ønskede produkter hurtigere.

Metoden - udviklet af et tværfagligt team af kemikere, beregningsforskere, og fysikere ved US Department of Energy's Brookhaven National Laboratory og Stony Brook University - er beskrevet i et nyt papir offentliggjort i Journal of Physical Chemistry Letters . Artiklen demonstrerer, hvordan holdet brugte neurale netværk og maskinlæring til at lære computere at afkode tidligere utilgængelige oplysninger fra røntgendata, og brugte derefter disse data til at dechifrere 3-D nanoskala strukturer.

Afkodning af strukturer i nanoskala

"Den største udfordring ved at udvikle katalysatorer er at vide, hvordan de virker - så vi kan designe bedre rationelt, ikke ved forsøg og fejl, " sagde Anatoly Frenkel, leder af forskerholdet, som har en fælles aftale med Brookhaven Labs kemiafdeling og Stony Brook Universitys afdeling for materialevidenskab. "Forklaringen på, hvordan katalysatorer virker, er på atomniveau og meget præcise målinger af afstande mellem dem, som kan ændre sig, efterhånden som de reagerer. Derfor er det ikke så vigtigt at kende katalysatorernes arkitektur, når de laves, men vigtigere at følge den, når de reagerer."

Problemet er, vigtige reaktioner - dem, der skaber vigtige industrielle kemikalier såsom gødning - finder ofte sted ved høje temperaturer og under tryk, hvilket komplicerer måleteknikker. For eksempel, røntgenstråler kan afsløre nogle strukturer på atomniveau ved at få atomer, der absorberer deres energi, til at udsende elektroniske bølger. Når disse bølger interagerer med nærliggende atomer, de afslører deres positioner på en måde, der svarer til, hvordan forvrængninger i krusninger på overfladen af ​​en dam kan afsløre tilstedeværelsen af ​​sten. Men krusningsmønsteret bliver mere kompliceret og udtværet, når høj varme og tryk introducerer uorden i strukturen, dermed sløre den information, bølgerne kan afsløre.

Så i stedet for at stole på "bølgemønsteret" af røntgenabsorptionsspektret, Frenkels gruppe fandt ud af en måde at se på en anden del af spektret forbundet med lavenergibølger, der er mindre påvirket af varme og uorden.

"Vi indså, at denne del af røntgenabsorptionssignalet indeholder al den nødvendige information om miljøet omkring de absorberende atomer, sagde Janis Timoshenko, en postdoc, der arbejder med Frenkel ved Stony Brook og hovedforfatter på papiret. "Men denne information er skjult 'under overfladen' i den forstand, at vi ikke har en ligning til at beskrive den, så det er meget sværere at fortolke. Vi havde brug for at afkode det spektrum, men vi havde ikke en nøgle."

Heldigvis havde Yuewei Lin og Shinjae Yoo fra Brookhaven's Computational Science Initiative og Deyu Lu fra Center for Functional Nanomaterials (CFN) betydelig erfaring med såkaldte maskinlæringsmetoder. De hjalp holdet med at udvikle en nøgle ved at lære computere at finde forbindelserne mellem skjulte funktioner i absorptionsspektret og strukturelle detaljer i katalysatorerne.

"Janis tog disse ideer og løb virkelig med dem, " sagde Frenkel.

Holdet brugte teoretisk modellering til at producere simulerede spektre af flere hundrede tusinde modelstrukturer, og brugte dem til at træne computeren til at genkende spektrets funktioner og hvordan de korrelerede med strukturen.

"Så byggede vi et neuralt netværk, der var i stand til at konvertere spektret til strukturer, " sagde Frenkel.

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), for eksempel, 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.

Ud over, 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.