Maskinlæringsanalyse af røntgendata udvælger vigtige katalytiske egenskaber

Forskere, der søger at designe nye katalysatorer til at omdanne kuldioxid (CO ₂ ) til metan har brugt en ny kunstig intelligens (AI) tilgang til at identificere vigtige katalytiske egenskaber. Ved at bruge denne metode til at spore størrelsen, struktur, og kemi af katalytiske partikler under virkelige reaktionsbetingelser, forskerne kan identificere, hvilke egenskaber der svarer til den bedste katalytiske ydeevne, og brug derefter disse oplysninger til at guide designet af mere effektive katalysatorer.

"Forbedring af vores evne til at omdanne CO ₂ at metan ville 'slå to fluer med ét smæk' ved at lave en bæredygtig energikilde, der ikke er fossilt brændstof, og som let kan opbevares og transporteres og samtidig reducere kulstofemissioner, " sagde Anatoly Frenkel, en kemiker med en fælles ansættelse ved det amerikanske energiministeriums Brookhaven National Laboratory og Stony Brook University.

Frenkels gruppe har udviklet en maskinlæringstilgang til at udvinde katalytiske egenskaber fra røntgensignaturer fra katalysatorer, der indsamles, når kemikalier omdannes i reaktioner. Den aktuelle analyse er beskrevet i et papir netop offentliggjort i Journal of Chemical Physics , baseret på røntgendata indsamlet på DOE's Argonne National Laboratory.

Teamet af Argonne senior kemiker Stefan Vajda, nu ved J. Heyrovský Institut for Fysisk Kemi i Prag, forberedte størrelsesselektive klynger af kobberatomer. Derefter brugte de massespektrometri og røntgenstråler ved Argonne's Advanced Photon Source (APS) til at studere, hvordan forskellige størrelses klynger fungerede i reaktionen, og hvordan deres oxidationstilstand udviklede sig under reaktionen af ​​kuldioxid med brint.

Kobber har vist sig lovende som en katalysator, der kan sænke temperaturen på CO ₂ -til-metan reaktion. Størrelseselektive kobberklynger kan også hjælpe med at drive reaktionen effektivt til det ønskede resultat - selektivt producerer kun metan og vanddamp - uden at kanalisere reaktanter ned ad en række forskellige veje mod andre produkter.

"Der er, i store træk, to store udfordringer i forhold til at implementere denne idé, " sagde Frenkel. "For det første er manglen på viden om strukturen af ​​de forberedte klynger; jo mindre de er, jo flere variationer kan der være i former og strukturer – selv når antallet af atomer i hver klynge er det samme.

"Sekund, selvom vi starter reaktionen med klynger af en bestemt størrelse og form, de kan transformeres til ukendelighed under reaktionen til forskellige former for oxider."

Nogle af oxiderne kan øge reaktiviteten; andre kan hæmme reaktionen. For at forstå, hvordan katalysatoren virker, forskerne skal vide, hvilke typer oxider der dannes under reaktionen – og hvordan de påvirker den katalytiske ydeevne.

Indsamling af spektrale data

Røntgendata indsamlet under analyse af katalysatorer ved APS eller andre synkrotronlyskilder (inklusive National Synchrotron Light Source II ved Brookhaven Lab) indeholder et væld af oplysninger om kemisk sammensætning og struktur, fordi disse egenskaber bestemmer, hvordan røntgenstråler interagerer med prøven . Men at udtrække denne information fra data indsamlet fra ultra-fortyndede prøver, der består af bittesmå klynger (indeholdende så få som fire atomer pr. klynge) udgør en stor udfordring.

"Disse prøver er for små til røntgenspredning eller billeddannelsesmetoder, der almindeligvis bruges til at karakterisere materialer på nanoskala, " sagde Frenkel.

I stedet, forskerne analyserede, hvordan individuelle kobberatomer absorberer synkrotronrøntgenstrålerne.

Mængden af ​​absorberet røntgenenergi fortæller dem, hvor meget energi det tager at "sparke" en elektron ud af kredsløb fra hvert kobberatom, hvilket afhænger af dets oxidationstilstand - hvor mange elektroner atomet har til rådighed til at dele i dannelsen af ​​kemiske bindinger. Jo mindre oxideret kobberatomet er (hvilket betyder, at det holder på sine elektroner), jo mindre energi tager det for røntgenstrålerne at sparke en elektron ud – fordi de efterladte elektroner hjælper med at beskytte den undslippende elektron fra kobberkernens attraktive positive ladning. Jo mere oxideret (med færre elektroner), jo mere energi tager det at sparke en resterende elektron ud – fordi det positive træk fra den uafskærmede kerne er sværere at overvinde.

Røntgenabsorptionsspektret indeholder derfor information om oxidationstilstanden og andre detaljer, der afslører træk ved atomstrukturen, herunder hvor mange tilstødende atomer hvert kobberatom er bundet til. Men for at udtrække denne information havde forskerne brug for en måde at relatere de målte spektre til kendte strukturelle arrays af kobberatomer med forskellige oxidationstilstande.

Det er her, den kunstige intelligens kommer ind. Forskerne udviklede et kunstigt neuralt netværk "trænet" til at genkende nøgletræk i spektre fra kendte strukturer, så det derefter kunne finde de ukendte strukturer blot ved at analysere de målte spektre.

Træning af netværket

At udvikle et bibliotek af kendte strukturer, som de kunne bruge til at træne netværket, gav sine egne udfordringer. For hjælp, Frenkels gruppe henvendte sig til Ping Liu i Brookhavens Chemistry Division.

"Klyngernes struktur afhænger meget af, hvordan partiklerne interagerer med støttesubstratet, de er aflejret på, og det reaktive miljø, " sagde Liu, en teoretiker med stor erfaring med modellering af katalytisk aktivitet. "Vi har konstrueret modelsystemer til de understøttede metal- og metaloxidklynger, kompleks nok til at fange strukturerne og den katalytiske adfærd under reaktionerne som observeret eksperimentelt, " sagde hun. "Disse driftsmodeller giver et stærkt grundlag, der muliggør nøjagtigheden og effektiviteten af ​​maskinlæringen."

Derefter brugte holdet numeriske metoder til at generere de spektre, som disse prøver ville producere - en ret ligetil tilgang - og brugte disse teoretisk genererede spektre til at træne det neurale netværk.

Når computeren, der kører det neurale netværksprogram, havde lært forholdet mellem de spektrale træk og nøgleegenskaberne ved de kendte klynger - oxidationstilstandene, antal naboatomer, og så videre - forskerne kunne føre spektrene målt fra deres eksperimentelle klynger ind i netværket, og det ville fortælle dem klyngekarakteristikaene for disse prøver.

Klyngernes karakteristika

I kobberkatalysatoreksperimentet, forskerne brugte denne tilgang til at analysere røntgenabsorptionsspektre fra klynger bestående af fire, tolv, eller tyve kobberatomer.

"Under reaktionen, disse klynger gennemgår mange forskellige oxidationstilstande afhængigt af reaktionsstadiet. Vi indsamlede spektrene på disse forskellige stadier og brugte vores maskinlæringstilgang til at identificere de forskellige oxidationstilstande af klyngerne på forskellige stadier af reaktionen. Vi korrelerede også oxidationstilstandene med den observerede katalytiske aktivitet for at bestemme, hvilke strukturer der er de bedste katalysatorer, " sagde Frenkel.

Data fra andre eksperimentelle metoder eksisterede allerede for de to mindre klyngestørrelser, så det kunne tjene som et krydstjek af den nye teknik. "Denne sammenligning viste, at vi var i stand til at genkende oxidationstilstande svarende til metallisk kobber eller de forskellige typer metaloxid ved hjælp af vores neurale netværkstilgang, " sagde Frenkel.

Dette var første gang, Frenkel havde anvendt sin maskinlæringstilgang til at løse andet end rene metalliske klynger.

"Det er første gang, vi var i stand til at træne netværket til at genkende forskellige typer oxider, " han sagde.

Det er også første gang, Frenkels metode er blevet brugt i en forudsigelig kapacitet - til at bestemme oxidationstilstandene og andre karakteristika for 20-kobberatomklyngerne, som der ikke findes andre data for.

Det viser sig, at den mest katalytisk aktive tilstand af kobberkatalysatoren er en blanding af metalliske klynger (hvor kobber kun er bundet til andre kobberatomer) og to forskellige kobberoxider (CuO og Cu2O).

"Der er mange reaktioner, hvor katalysatoren viser sig at være mest aktiv, når den hverken er fuldt oxideret eller fuldstændig reduceret, " sagde Frenkel. "De klynger, der er i stand til at danne denne blanding af de tre forskellige tilstande i de rigtige proportioner, vil være de mest aktive."

Frenkels gruppe fortsætter deres analyse for at lære mere om den katalytiske mekanisme og vil offentliggøre deres resultater i fremtiden.