Efterfrågan på förnybara energikällor ökar ständigt och driver utvecklingen av katalytisk baserad teknologi. Genom att separera och bilda kemiska bindningar kan dessa tekniker användas för att producera miljövänlig energi.
Under de senaste decennierna har forskare aktivt studerat hur kärna-skal nanopartiklar kan förbättra prestandan hos katalytiska system, som huvudsakligen använder metallkatalysatorer som påskyndar kemiska reaktioner.
Forskare från Skoltech analyserade de senaste framstegen inom syntetisering av kärn-skal-partiklar, forskningsmetoder, tekniker för att justera deras egenskaper och identifierade också de mest lovande områdena för framtida forskning. En stor recension har publicerats i Nanoscale .
Bimetalliska kärna-skal-partiklar är nanopartiklar som varierar i storlek från 1 till 100 nanometer. Deras kärna och skal består av olika metaller. Nanopartiklar har, till skillnad från vanliga partiklar, unika egenskaper som möjliggör deras aktiva användning vid cancerdiagnostik, skapandet av kompakta elektroniska enheter och designen av solpaneler och inom många andra områden.
"Vi gjorde en stor översikt där vi visar hur egenskaperna hos nanopartiklar kan finjusteras experimentellt. Översikten omfattar artiklar under de senaste 3–4 åren. Metoderna för syntes och forskning av nanomaterial utvecklas ständigt, så nu är nästan varje atom kan observeras under ett mikroskop, såväl som skikten av olika metaller i sådana partiklar. Forskning har visat att partiklarnas katalytiska aktivitet kan påverkas av förändringar i antalet metallskikt, säger Ilya Chepkasov, den ledande författaren. studie och senior forskare vid Energy Transition Center på Skoltech.
Författarna har identifierat flera problem som de uppmanar att uppmärksamma i framtida studier. Problemet med att upptäcka sammansättningen av kärna-skalpartiklars ytor gör det mer utmanande att förstå sambandet mellan deras struktur och egenskaper. För att förbättra syntesen av bimetalliska kärna-skalpartiklar är det viktigt att ta reda på sammansättningen av deras yta.
Teamet påpekade också att studiet av nanomaterial kräver nya teoretiska metoder för att förutsäga egenskaperna hos föreningar som ännu inte har studerats experimentellt och inte ens har syntetiserats.
Ett av de mest effektiva sätten att göra det är att använda moderna framsteg inom området artificiell intelligens, till exempel deskriptorbaserade och deskriptorfria maskininlärningsmodeller för att förutsäga de nödvändiga egenskaperna. Grafiska neurala nätverk kan användas för att avkoda atomstrukturen hos en nanopartikel och bestämma förhållandet mellan dess struktur och egenskaper.
"Vår granskning är inte bara en systematisk beskrivning av tidigare studier, det är en analys av tidigare inhämtade data och en detaljerad diskussion av lovande områden som vi har identifierat utifrån dessa data. Det finns många viktiga riktningar. En av dem är utvecklingen av nya förutsägande AI-baserade metoder De kommer att hjälpa till att snabbt och exakt bestämma de önskade egenskaperna hos de framtida nanopartiklarna som kan användas som katalysatorer för olika kemiska processer, säger Alexander Kvashnin, medförfattare till studien och professor vid Energy. Transition Center på Skoltech.
Mer information: Ilya V. Chepkasov et al, Strukturdriven justering av katalytiska egenskaper hos kärna-skal nanostrukturer, Nanoskala (2024). DOI:10.1039/D3NR06194A
Journalinformation: Nanoskala
Tillhandahålls av Skolkovo Institute of Science and Technology
