X射線數(shù)據(jù)的機器學習分析確定了關(guān)鍵的催化性能

尋求設計新催化劑以將二氧化碳(CO 2)轉(zhuǎn)化為甲烷的科學家，已經(jīng)使用一種新穎的人工智能(AI)方法來識別關(guān)鍵的催化性能。通過使用這種方法跟蹤實際反應條件下催化顆粒的尺寸，結(jié)構(gòu)和化學性質(zhì)，科學家們可以識別出哪些特性與最佳催化性能相對應，然后利用這些信息來指導更高效催化劑的設計。

“提高我們將CO 2轉(zhuǎn)化為甲烷的能力，將通過制造一種可持續(xù)的非化石燃料能源，將其輕易地存儲和運輸，同時減少碳排放，從而'殺死一只石頭就可以殺死兩只鳥。”化學家Anatoly Frenkel說美國能源部布魯克海文國家實驗室和石溪大學的聯(lián)合任命。

Frenkel的小組一直在開發(fā)一種機器學習方法，以從在反應中轉(zhuǎn)化為化學物質(zhì)時收集到的催化劑的X射線特征中提取催化性質(zhì)?；谠贒OE的阿貢國家實驗室收集的X射線數(shù)據(jù)，在剛剛發(fā)表在《化學物理學》上的一篇論文中描述了當前的分析。

現(xiàn)在在布拉格J.Heyrovský物理化學研究所的Argonne高級化學家Stefan Vajda的團隊準備了對銅原子進行尺寸選擇的簇。然后，他們在Argonne的高級光子源(APS)上使用質(zhì)譜和X射線研究了各種尺寸的團簇如何在反應中進行，以及在二氧化碳與氫氣反應期間其氧化態(tài)如何演化。

銅已被證明是可以降低CO 2-甲烷反應溫度的催化劑。尺寸選擇性的銅簇也可以幫助有效地將反應驅(qū)動至所需的結(jié)果(選擇性地僅產(chǎn)生甲烷和水蒸氣)，而無需沿各種途徑將反應物引導至其他產(chǎn)物。

弗倫克爾說：“從廣義上講，實現(xiàn)這一想法面臨兩個主要挑戰(zhàn)。” “首先是對準備好的簇的結(jié)構(gòu)缺乏了解;它們越小，形狀和結(jié)構(gòu)的變化就越大，即使每個簇中的原子數(shù)相同也是如此。

“第二，即使我們以一定大小和形狀的簇開始反應，它們在反應過程中也可能轉(zhuǎn)變?yōu)楦鞣N形式的氧化物，從而無法識別。”

某些氧化物可能會增強反應性。其他人可能會阻止反應。為了了解催化劑的工作原理，科學家們需要知道在反應過程中會形成哪種類型的氧化物，以及它們?nèi)绾斡绊懘呋阅堋?/p>

研究團隊成員：石溪大學(SBU)研究生Nicholas Marcella，布魯克海文實驗室化學家劉平，SBU研究生劉陽和SBU-布魯克海文實驗室的聯(lián)合受聘人Anatoly Frenkel。圖片來源：布魯克海文國家實驗室

收集光譜數(shù)據(jù)

在APS或其他同步加速器光源(包括Brookhaven Lab 的National Synchrotron光源II)上分析催化劑時收集的X射線數(shù)據(jù)包含有關(guān)化學成分和結(jié)構(gòu)的大量信息，因為這些性質(zhì)決定了X射線與樣品的相互作用方式。但是，從由微小簇(每個簇中只有四個原子)組成的超稀疏樣品收集的數(shù)據(jù)中提取信息是一個巨大的挑戰(zhàn)。

弗倫克爾說：“這些樣品太小，無法用于通常用于表征納米級材料的X射線散射或成像方法。”

相反，科學家分析了單個銅原子如何吸收同步加速器的X射線。

吸收的X射線能量量告訴他們從一個銅原子中將電子“踢出”軌道外需要多少能量，這取決于其氧化態(tài)-原子可共享多少電子以形成化學鍵。銅原子的氧化程度越低(意味著它保持其電子)，x射線將電子踢出所用的能量就越少，這是因為留下的電子有助于將逸出的電子與有害的正電荷隔離開來。銅核。氧化越多(電子越少)，將剩余的電子踢出去所需的能量就越多，因為未屏蔽核的正向拉力很難克服。

因此，X射線吸收光譜包含有關(guān)氧化態(tài)的信息以及其他揭示原子結(jié)構(gòu)特征的細節(jié)，包括每個銅原子結(jié)合了多少個相鄰原子。但是，為了提取這些信息，科學家需要一種將測得的光譜與具有各種氧化態(tài)的已知銅原子結(jié)構(gòu)陣列相關(guān)聯(lián)的方法。

那就是人工智能的用武之地?？茖W家開發(fā)了一個經(jīng)過“訓練” 的人工神經(jīng)網(wǎng)絡，以識別已知結(jié)構(gòu)光譜中的關(guān)鍵特征，以便僅通過分析測得的光譜就可以找到未知結(jié)構(gòu)。

訓練網(wǎng)絡

開發(fā)可用于訓練網(wǎng)絡的已知結(jié)構(gòu)的庫提出了自己的挑戰(zhàn)。為了尋求幫助，F(xiàn)renkel的小組求助于布魯克海文化學系的劉萍。

擁有豐富的催化活性建模經(jīng)驗的理論家劉說：“簇的結(jié)構(gòu)在很大程度上取決于顆粒如何與它們沉積在其上的支撐基質(zhì)相互作用以及反應環(huán)境。” 她說：“我們已經(jīng)為支撐的金屬和金屬氧化物簇構(gòu)建了模型系統(tǒng)，其復雜程度足以捕獲反應期間在反應過程中的結(jié)構(gòu)和催化行為，”她說。“這些操作模型為實現(xiàn)機器學習的準確性和效率提供了堅實的基礎。”

然后，研究小組使用數(shù)值方法來生成這些樣本將產(chǎn)生的光譜(一種相當簡單的方法)，并使用這些理論上產(chǎn)生的光譜來訓練神經(jīng)網(wǎng)絡。

一旦運行神經(jīng)網(wǎng)絡程序的計算機了解了光譜特征與已知團簇的關(guān)鍵特征(氧化態(tài)，相鄰原子數(shù)等)之間的關(guān)系，科學家便可以將從他們的實驗團簇中測得的光譜輸入到網(wǎng)絡，它會告訴他們這些樣本的群集特征。

集群的特征

在銅催化劑實驗中，科學家使用這種方法來分析由四個，十二個或二十個銅原子組成的簇的X射線吸收光譜。

“在反應過程中，這些簇根據(jù)反應的階段經(jīng)歷許多不同的氧化態(tài)。我們收集了這些不同階段的光譜，并使用我們的機器學習方法來識別反應不同階段的簇的不同氧化態(tài)。我們還將氧化態(tài)與觀察到的催化活性聯(lián)系起來，以確定哪種結(jié)構(gòu)是最好的催化劑，”弗倫克爾說。

對于兩個較小的簇尺寸，已經(jīng)存在來自其他實驗方法的數(shù)據(jù)，因此可以用作對新技術(shù)的交叉檢查。弗倫克爾說：“這種比較表明，我們能夠使用神經(jīng)網(wǎng)絡方法識別與金屬銅或不同類型的金屬氧化物相對應的氧化態(tài)。”

這是Frenkel首次將他的機器學習方法用于解決除純金屬簇以外的任何問題。

他說：“這是我們第一次能夠訓練網(wǎng)絡以識別不同類型的氧化物。”

這也是Frenkel方法首次用于預測能力-確定20銅原子團簇的氧化態(tài)和其他特征，沒有其他數(shù)據(jù)。

事實證明，銅催化劑的最具催化活性的狀態(tài)是金屬簇(其中銅僅與其他銅原子鍵合)和兩種不同的氧化銅(CuO和Cu2O)的混合物。

弗倫克爾說：“在很多反應中，當催化劑既不被完全氧化也不被完全還原時，其活性最高。” “那些能夠以正確比例形成三種不同狀態(tài)的混合體的簇將是最活躍的。”

Frenkel小組正在繼續(xù)他們的分析，以了解有關(guān)催化機制的更多信息，并將在將來發(fā)布其結(jié)果。