La chimica è una complessa danza di atomi. Sottili cambiamenti di posizione e rimescolamenti di elettroni rompono e ricostruiscono i legami chimici quando i partecipanti cambiano partner. I catalizzatori sono come matchmaker molecolari che rendono più facile l'interazione per i partner a volte riluttanti.

Ora gli scienziati hanno un modo per catturare i dettagli della coreografia chimica mentre accade. Il metodo, che si basa su computer che hanno imparato a riconoscere i segni nascosti dei passaggi, dovrebbe aiutarli a migliorare le prestazioni dei catalizzatori per guidare più rapidamente le reazioni verso i prodotti desiderati.

Il metodo, sviluppato da un team interdisciplinare di chimici, scienziati computazionali, e fisici presso il Brookhaven National Laboratory del Dipartimento dell'Energia degli Stati Uniti e la Stony Brook University, è descritto in un nuovo documento pubblicato nel Journal of Physical Chemistry Letters . Il documento dimostra come il team abbia utilizzato le reti neurali e l'apprendimento automatico per insegnare ai computer a decodificare informazioni precedentemente inaccessibili dai dati a raggi X, e poi ha usato quei dati per decifrare strutture in nanoscala 3-D.

Decodifica di strutture su scala nanometrica

"La sfida principale nello sviluppo di catalizzatori è sapere come funzionano, così possiamo progettarne di migliori in modo razionale, non per tentativi ed errori, " disse Anatoly Frenkel, capo del gruppo di ricerca che ha un appuntamento congiunto con la divisione di chimica del Brookhaven Lab e il dipartimento di scienza dei materiali della Stony Brook University. "La spiegazione di come funzionano i catalizzatori è a livello di atomi e misurazioni molto precise delle distanze tra loro, che possono cambiare mentre reagiscono. Pertanto non è così importante conoscere l'architettura dei catalizzatori quando vengono realizzati, ma è più importante seguirla mentre reagiscono".

Il problema è, reazioni importanti, quelle che creano importanti sostanze chimiche industriali come i fertilizzanti, spesso avvengono ad alte temperature e sotto pressione, che complica le tecniche di misurazione. Per esempio, i raggi X possono rivelare alcune strutture a livello atomico facendo sì che gli atomi che assorbono la loro energia emettano onde elettroniche. Quando queste onde interagiscono con gli atomi vicini, rivelano le loro posizioni in un modo simile a come le distorsioni nelle increspature sulla superficie di uno stagno possono rivelare la presenza di rocce. Ma il modello di increspatura diventa più complicato e macchiato quando il calore e la pressione elevati introducono disordine nella struttura, offuscando così le informazioni che le onde possono rivelare.

Quindi, invece di fare affidamento sul "modello di ripple" dello spettro di assorbimento dei raggi X, Il gruppo di Frenkel ha trovato un modo per esaminare una parte diversa dello spettro associata alle onde a bassa energia che sono meno influenzate dal calore e dal disordine.

"Ci siamo resi conto che questa parte del segnale di assorbimento dei raggi X contiene tutte le informazioni necessarie sull'ambiente intorno agli atomi assorbenti, " ha detto Janis Timoshenko, un borsista post-dottorato che lavora con Frenkel a Stony Brook e autore principale del documento. "Ma questa informazione è nascosta 'sotto la superficie' nel senso che non abbiamo un'equazione per descriverla, quindi è molto più difficile da interpretare. Avevamo bisogno di decodificare quello spettro, ma non avevamo una chiave".

Fortunatamente Yuewei Lin e Shinjae Yoo della Computational Science Initiative di Brookhaven e Deyu Lu del Center for Functional Nanomaterials (CFN) hanno avuto una significativa esperienza con i cosiddetti metodi di apprendimento automatico. Hanno aiutato il team a sviluppare una chiave insegnando ai computer a trovare le connessioni tra le caratteristiche nascoste dello spettro di assorbimento ei dettagli strutturali dei catalizzatori.

"Janis ha preso queste idee e le ha seguite davvero, " ha detto Frenkel.

Il team ha utilizzato la modellazione teorica per produrre spettri simulati di diverse centinaia di migliaia di strutture modello, e li ha usati per addestrare il computer a riconoscere le caratteristiche dello spettro e come si correlano con la struttura.

"Poi abbiamo costruito una rete neurale in grado di convertire lo spettro in strutture, " ha detto Frenkel.

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), Per esempio, 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.

Inoltre, 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.