Forskare som försöker designa nya katalysatorer för att omvandla koldioxid (CO ₂ ) till metan har använt en ny syn på artificiell intelligens (AI) för att identifiera viktiga katalytiska egenskaper. Genom att använda den här metoden för att spåra storleken, strukturera, och kemi för katalytiska partiklar under verkliga reaktionsförhållanden, forskarna kan identifiera vilka egenskaper som motsvarar den bästa katalytiska prestandan, och sedan använda den informationen för att vägleda utformningen av effektivare katalysatorer.

"Förbättra vår förmåga att omvandla CO ₂ till metan skulle "döda två flugor i en smäll" genom att göra en hållbar icke-fossilt bränsle energikälla som enkelt kan lagras och transporteras samtidigt som koldioxidutsläppen minskar, sa Anatoly Frenkel, en kemist med en gemensam anställning vid det amerikanska energidepartementets Brookhaven National Laboratory och Stony Brook University.

Frenkels grupp har utvecklat en maskininlärningsmetod för att extrahera katalytiska egenskaper från röntgensignaturer av katalysatorer som samlas in när kemikalier omvandlas i reaktioner. Den aktuella analysen beskrivs i en artikel som just publicerats i Journal of Chemical Physics , baserat på röntgendata som samlats in vid DOE:s Argonne National Laboratory.

Teamet av Argonne senior kemist Stefan Vajda, nu vid J. Heyrovský Institute of Physical Chemistry i Prag, beredda storleksselektiva kluster av kopparatomer. Sedan använde de masspektrometri och röntgenstrålar vid Argonnes Advanced Photon Source (APS) för att studera hur olika storlekskluster fungerade i reaktionen och hur deras oxidationstillstånd utvecklades under reaktionen mellan koldioxid och väte.

Koppar har visat sig lovande som en katalysator som kan sänka temperaturen på CO ₂ -till-metan reaktion. Storleksselektiva kopparkluster kan också hjälpa till att driva reaktionen effektivt till det önskade resultatet - selektivt producerar bara metan och vattenånga - utan att kanalisera reaktanter längs en mängd olika vägar mot andra produkter.

"Det finns, i stort sett, två stora utmaningar för att genomföra denna idé, " sade Frenkel. "För det första är bristen på kunskap om strukturen hos de förberedda klustren; ju mindre de är, desto fler variationer kan det finnas i former och strukturer – även när antalet atomer i varje kluster är detsamma.

"Andra, även om vi börjar reaktionen med kluster av en viss storlek och form, de kan förvandlas till oigenkännlighet under reaktionen till olika former av oxider."

Vissa av oxiderna kan förbättra reaktiviteten; andra kan hindra reaktionen. För att förstå hur katalysatorn fungerar, forskarna behöver veta vilka typer av oxider som bildas under reaktionen – och hur de påverkar den katalytiska prestandan.

Samla in spektraldata

Röntgendata som samlats in under analys av katalysatorer vid APS eller andra synkrotronljuskällor (inklusive National Synchrotron Light Source II vid Brookhaven Lab) innehåller en mängd information om kemisk sammansättning och struktur eftersom dessa egenskaper avgör hur röntgenstrålar interagerar med provet . Men att extrahera den informationen från data som samlats in från ultrautspädda prover som består av små kluster (som innehåller så få som fyra atomer per kluster) är en stor utmaning.

"Dessa prover är för små för röntgenspridning eller avbildningsmetoder som vanligtvis används för att karakterisera material på nanoskala, sa Frenkel.

Istället, forskarna analyserade hur enskilda kopparatomer absorberar synkrotronröntgenstrålar.

Mängden röntgenenergi som absorberas berättar för dem hur mycket energi som krävs för att "sparka" en elektron ur omloppsbana från varje kopparatom, vilket beror på dess oxidationstillstånd - hur många elektroner atomen har tillgängliga att dela på för att bilda kemiska bindningar. Ju mindre oxiderad kopparatomen är (vilket betyder att den håller fast vid sina elektroner), desto mindre energi tar det för röntgenstrålar att sparka ut en elektron – eftersom de kvarlämnade elektronerna hjälper till att skydda den flyktande elektronen från den attraktiva positiva laddningen av kopparkärnan. Ju mer oxiderade (med färre elektroner), desto mer energi krävs för att sparka ut en kvarvarande elektron – eftersom den positiva dragningen av den oskärmade kärnan är svårare att övervinna.

Röntgenabsorptionsspektrumet innehåller därför information om oxidationstillståndet och andra detaljer som avslöjar egenskaper hos atomstrukturen, inklusive hur många intilliggande atomer varje kopparatom är bunden till. Men för att extrahera denna information behövde forskarna ett sätt att relatera de uppmätta spektra till kända strukturella uppsättningar av kopparatomer med olika oxidationstillstånd.

Det är där den artificiella intelligensen kommer in. Forskarna utvecklade ett artificiellt neuralt nätverk "utbildat" för att känna igen nyckelfunktioner i spektra från kända strukturer så att det sedan kunde hitta de okända strukturerna bara genom att analysera de uppmätta spektra.

Att träna nätverket

Att utveckla ett bibliotek med kända strukturer som de kunde använda för att träna nätverket gav sina egna utmaningar. För hjälp, Frenkels grupp vände sig till Ping Liu i Brookhavens Chemistry Division.

"Klusters struktur beror mycket starkt på hur partiklarna interagerar med stödsubstratet de avsätts på och den reaktiva miljön, sa Liu, en teoretiker med stor erfarenhet av att modellera katalytisk aktivitet. "Vi har konstruerat modellsystem för de understödda metall- och metalloxidklustren, tillräckligt komplex för att fånga strukturerna och katalytiska beteenden under reaktionerna som observerats experimentellt, ", sa hon. "Dessa driftsmodeller ger en stark bas som möjliggör noggrannheten och effektiviteten i maskininlärningen."

Sedan använde teamet numeriska metoder för att generera de spektra som dessa prover skulle producera - en ganska enkel metod - och använde dessa teoretiskt genererade spektra för att träna det neurala nätverket.

När datorn som kör det neurala nätverksprogrammet hade lärt sig sambanden mellan de spektrala egenskaperna och nyckelegenskaperna hos de kända klustren – oxidationstillstånden, antal grannatomer, och så vidare – forskarna kunde mata in spektra som mättes från deras experimentella kluster till nätverket och det skulle berätta för dem klustrets egenskaper för dessa prover.

Klusternas egenskaper

I kopparkatalysatorexperimentet, forskarna använde denna metod för att analysera röntgenabsorptionsspektra från kluster bestående av fyra, tolv, eller tjugo kopparatomer.

"Under reaktionen, dessa kluster går igenom många olika oxidationstillstånd beroende på reaktionsstadiet. Vi samlade in spektra vid dessa olika stadier och använde vår maskininlärningsmetod för att identifiera de olika oxidationstillstånden för klustren vid olika steg av reaktionen. Vi korrelerade också oxidationstillstånden med den observerade katalytiska aktiviteten för att bestämma vilka strukturer som är de bästa katalysatorerna, sa Frenkel.

Data från andra experimentella metoder fanns redan för de två mindre klusterstorlekarna, så det kan fungera som en krysskontroll av den nya tekniken. "Denna jämförelse visade att vi kunde känna igen oxidationstillstånden som motsvarar metallisk koppar eller de olika typerna av metalloxid med hjälp av vår neurala nätverksmetod, sa Frenkel.

Detta var första gången Frenkel hade tillämpat sin maskininlärningsmetod för att lösa något annat än rena metallkluster.

"Det är första gången vi kunde träna nätverket att känna igen olika typer av oxider, " han sa.

Det är också första gången som Frenkels metod har använts i en prediktiv förmåga - för att bestämma oxidationstillstånden och andra egenskaper hos 20-kopparatomklustren, för vilka inga andra uppgifter finns.

Det visar sig att det mest katalytiskt aktiva tillståndet hos kopparkatalysatorn är en blandning av metallkluster (där koppar endast är bunden till andra kopparatomer) och två olika kopparoxider (CuO och Cu2O).

"Det finns många reaktioner där katalysatorn visar sig vara mest aktiv när den varken är helt oxiderad eller helt reducerad, " sade Frenkel. "De kluster som kan bilda denna blandning av de tre olika tillstånden i rätt proportioner kommer att vara de mest aktiva."

Frenkels grupp fortsätter sin analys för att lära sig mer om den katalytiska mekanismen och kommer att publicera sina resultat i framtiden.