Kemi är en komplex dans av atomer. Subtila förändringar i position och blandningar av elektroner bryter och gör om kemiska bindningar när deltagarna byter partner. Katalysatorer är som molekylära matchmakers som gör det lättare för ibland motvilliga partners att interagera.

Nu har forskare ett sätt att fånga detaljerna i kemikoreografin när det händer. Metoden - som bygger på datorer som har lärt sig att känna igen dolda tecken på stegen - bör hjälpa dem att förbättra katalysatorernas prestanda för att driva reaktioner mot önskade produkter snabbare.

Metoden - utvecklad av ett tvärvetenskapligt team av kemister, beräkningsvetenskapsmän, och fysiker vid U.S. Department of Energy Brookhaven National Laboratory och Stony Brook University - beskrivs i en ny artikel publicerad i Journal of Physical Chemistry Letters . Tidningen visar hur teamet använde neurala nätverk och maskininlärning för att lära datorer att avkoda tidigare otillgänglig information från röntgendata, och använde sedan dessa data för att dechiffrera 3D-nanoskala strukturer.

Avkodning av nanoskala strukturer

"Den största utmaningen när det gäller att utveckla katalysatorer är att veta hur de fungerar - så att vi kan designa bättre rationellt, inte genom försök-och-fel, "sade Anatoly Frenkel, ledare för forskargruppen som har ett gemensamt möte med Brookhaven Labs kemidivision och Stony Brook Universitys materialvetenskapliga avdelning. "Förklaringen till hur katalysatorer fungerar ligger på atomenivån och mycket exakta mätningar av avstånd mellan dem, som kan förändras när de reagerar. Därför är det inte så viktigt att känna till katalysatorernas arkitektur när de är gjorda men viktigare att följa det när de reagerar. "

Problemet är, viktiga reaktioner - de som skapar viktiga industrikemikalier som gödningsmedel - sker ofta vid höga temperaturer och under tryck, vilket komplicerar mättekniker. Till exempel, röntgenstrålar kan avslöja några atomnivåstrukturer genom att orsaka atomer som absorberar deras energi att avge elektroniska vågor. När dessa vågor interagerar med närliggande atomer, de avslöjar sina positioner på ett sätt som liknar hur snedvridningar i krusningar på ytan av en damm kan avslöja förekomsten av stenar. Men krusningsmönstret blir mer komplicerat och utsmetat när hög värme och tryck inför störningar i strukturen, vilket suddar ut informationen vågorna kan avslöja.

Så istället för att förlita sig på "krusningsmönstret" i röntgenabsorptionsspektrumet, Frenkels grupp kom på ett sätt att titta på en annan del av spektrumet som är förknippat med lågenergivågor som påverkas mindre av värme och störningar.

"Vi insåg att denna del av röntgenabsorptionssignalen innehåller all nödvändig information om miljön runt de absorberande atomerna, "sa Janis Timosjenko, en postdoktor som arbetar med Frenkel på Stony Brook och huvudförfattare på tidningen. "Men denna information är dold" under ytan "i den meningen att vi inte har en ekvation för att beskriva den, så det är mycket svårare att tolka. Vi behövde avkoda det spektrumet men vi hade ingen nyckel. "

Lyckligtvis hade Yuewei Lin och Shinjae Yoo från Brookhaven's Computational Science Initiative och Deyu Lu från Center for Functional Nanomaterials (CFN) betydande erfarenhet av så kallade maskininlärningsmetoder. De hjälpte laget att utveckla en nyckel genom att lära datorer att hitta sambandet mellan dolda funktioner i absorptionsspektrumet och strukturella detaljer i katalysatorerna.

"Janis tog dessa idéer och sprang verkligen med dem, Sa Frenkel.

Teamet använde teoretisk modellering för att producera simulerade spektra av flera hundra tusen modellstrukturer, och använde dem för att träna datorn för att känna igen funktionerna i spektrumet och hur de korrelerade med strukturen.

"Then we built a neural network that was able to convert the spectrum into structures, " Frenkel said.

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), till exempel, 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.

Dessutom, 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.