Questo schema mostra come gli spettri derivati da calcoli teorici utilizzando strutture note (in alto) possono essere utilizzati per addestrare una rete neurale (al centro), che può quindi utilizzare la sua "conoscenza" assemblata per tradurre gli spettri misurati negli esperimenti operando nelle strutture corrispondenti (in basso). Credito:Brookhaven National Laboratory
Scienziati che cercano di progettare nuovi catalizzatori per convertire l'anidride carbonica (CO 2 ) al metano hanno utilizzato un nuovo approccio di intelligenza artificiale (AI) per identificare proprietà catalitiche chiave. Utilizzando questo metodo per tenere traccia delle dimensioni, struttura, e chimica delle particelle catalitiche in condizioni di reazione reali, gli scienziati possono identificare quali proprietà corrispondono alle migliori prestazioni catalitiche, e quindi utilizzare tali informazioni per guidare la progettazione di catalizzatori più efficienti.
"Migliorare la nostra capacità di convertire CO 2 al metano "prenderebbe due piccioni con una fava" creando una fonte di energia sostenibile non fossile che può essere facilmente immagazzinata e trasportata riducendo le emissioni di carbonio, " disse Anatoly Frenkel, un chimico con un incarico congiunto presso il Brookhaven National Laboratory del Dipartimento dell'Energia degli Stati Uniti e la Stony Brook University.
Il gruppo di Frenkel ha sviluppato un approccio di apprendimento automatico per estrarre le proprietà catalitiche dalle firme a raggi X dei catalizzatori raccolti mentre le sostanze chimiche vengono trasformate nelle reazioni. L'analisi attuale è descritta in un articolo appena pubblicato su Giornale di Fisica Chimica , sulla base dei dati a raggi X raccolti presso l'Argonne National Laboratory del DOE.
Il team del chimico senior di Argonne Stefan Vajda, ora al J. Heyrovský Institute of Physical Chemistry di Praga, preparati di atomi di rame selettivi per dimensione. Quindi hanno usato la spettrometria di massa e i raggi X presso l'Advanced Photon Source (APS) di Argonne per studiare come si sono comportati i cluster di varie dimensioni nella reazione e come si è evoluto il loro stato di ossidazione durante la reazione dell'anidride carbonica con l'idrogeno.
Il rame ha mostrato risultati promettenti come catalizzatore in grado di abbassare la temperatura della CO 2 -reazione a metano. I cluster di rame selettivi per dimensione possono anche aiutare a guidare la reazione in modo efficiente verso il risultato desiderato, producendo selettivamente solo metano e vapore acqueo, senza incanalare i reagenti lungo una varietà di percorsi verso altri prodotti.
"Ci sono, ampiamente parlando, due grandi sfide verso l'attuazione di questa idea, " ha detto Frenkel. "In primo luogo è la mancanza di conoscenza della struttura dei cluster preparati; più piccoli sono, più variazioni possono esserci nelle forme e nelle strutture, anche quando il numero di atomi in ciascun cluster è lo stesso.
"Secondo, anche se iniziamo la reazione con grappoli di una certa dimensione e forma, possono trasformarsi oltre il riconoscimento durante la reazione a varie forme di ossidi."
Alcuni degli ossidi potrebbero aumentare la reattività; altri potrebbero impedire la reazione. Per capire come funziona il catalizzatore, gli scienziati devono sapere quali tipi di ossidi si formano durante la reazione e come influenzano le prestazioni catalitiche.
Membri del gruppo di ricerca:Nicholas Marcella, studente laureato della Stony Brook University (SBU), Ping Liu, chimico del laboratorio Brookhaven, Studente laureato SBU Yang Liu, e Anatoly Frenkel, nominato congiuntamente da SBU-Brookhaven Lab. Credito:Brookhaven National Laboratory
Raccolta di dati spettrali
I dati sui raggi X raccolti durante l'analisi dei catalizzatori presso l'APS o altre sorgenti di luce di sincrotrone (inclusa la National Synchrotron Light Source II al Brookhaven Lab) contengono una grande quantità di informazioni sulla composizione e struttura chimica perché queste proprietà determinano il modo in cui i raggi X interagiscono con il campione . Ma estrarre queste informazioni dai dati raccolti da campioni ultra-diluiti costituiti da piccoli cluster (contenenti solo quattro atomi per cluster) rappresenta una grande sfida.
"Questi campioni sono troppo piccoli per la diffusione dei raggi X o per i metodi di imaging comunemente usati per caratterizzare i materiali su scala nanometrica, " ha detto Frenkel.
Anziché, gli scienziati hanno analizzato come i singoli atomi di rame assorbono i raggi X del sincrotrone.
La quantità di energia dei raggi X assorbita dice loro quanta energia ci vuole per "calciare" un elettrone fuori dall'orbita da ciascun atomo di rame, che dipende dal suo stato di ossidazione:quanti elettroni l'atomo ha a disposizione per condividere nella formazione di legami chimici. Meno ossidato è l'atomo di rame (nel senso che trattiene i suoi elettroni), minore è l'energia necessaria ai raggi X per espellere un elettrone, perché gli elettroni lasciati indietro aiutano a proteggere l'elettrone in fuga dall'attraente carica positiva del nucleo di rame. Più ossidato (con meno elettroni), maggiore è l'energia necessaria per espellere un elettrone rimanente, perché l'attrazione positiva del nucleo non schermato è più difficile da superare.
Lo spettro di assorbimento dei raggi X contiene quindi informazioni sullo stato di ossidazione e altri dettagli che rivelano caratteristiche della struttura atomica, incluso a quanti atomi adiacenti è legato ciascun atomo di rame. Ma per estrarre queste informazioni gli scienziati avevano bisogno di un modo per mettere in relazione gli spettri misurati con array strutturali noti di atomi di rame con vari stati di ossidazione.
È qui che entra in gioco l'intelligenza artificiale. Gli scienziati hanno sviluppato una rete neurale artificiale "addestrata" per riconoscere le caratteristiche chiave negli spettri da strutture note in modo da poter trovare le strutture sconosciute semplicemente analizzando gli spettri misurati.
Allenare la rete
Lo sviluppo di una libreria di strutture note che potrebbero essere utilizzate per addestrare la rete ha presentato le proprie sfide. Per un aiuto, Il gruppo di Frenkel si è rivolto a Ping Liu nella divisione di chimica di Brookhaven.
"La struttura dei cluster dipende molto da come le particelle interagiscono con il substrato di supporto su cui si depositano e l'ambiente reattivo, " disse Liù, un teorico con una vasta esperienza nella modellazione dell'attività catalitica. "Abbiamo costruito sistemi modello per i cluster supportati di metallo e ossido di metallo, abbastanza complesso da catturare le strutture e i comportamenti catalitici durante le reazioni osservate sperimentalmente, " ha affermato. "Questi modelli operativi forniscono una solida base che consente l'accuratezza e l'efficienza dell'apprendimento automatico".
Quindi il team ha utilizzato metodi numerici per generare gli spettri che questi campioni avrebbero prodotto, un approccio abbastanza semplice, e ha utilizzato questi spettri generati teoricamente per addestrare la rete neurale.
Una volta che il computer che esegue il programma di rete neurale ha appreso le relazioni tra le caratteristiche spettrali e le caratteristiche chiave dei cluster conosciuti:gli stati di ossidazione, numero di atomi vicini, e così via:gli scienziati potrebbero alimentare gli spettri misurati dai loro cluster sperimentali nella rete e questo indicherà loro le caratteristiche dei cluster per quei campioni.
Caratteristiche dei cluster
Nell'esperimento del catalizzatore di rame, gli scienziati hanno utilizzato questo approccio per analizzare gli spettri di assorbimento dei raggi X da cluster composti da quattro, dodici, o venti atomi di rame.
"Durante la reazione, questi cluster passano attraverso molti diversi stati di ossidazione a seconda dello stadio della reazione. Abbiamo raccolto gli spettri in queste diverse fasi e utilizzato il nostro approccio di apprendimento automatico per identificare i diversi stati di ossidazione dei cluster nelle diverse fasi della reazione. Abbiamo anche correlato gli stati di ossidazione con l'attività catalitica osservata per determinare quali strutture sono i migliori catalizzatori, " ha detto Frenkel.
I dati di altri metodi sperimentali esistevano già per i due cluster di dimensioni più piccole, quindi potrebbe servire come controllo incrociato della nuova tecnica. "Questo confronto ha mostrato che siamo stati in grado di riconoscere gli stati di ossidazione corrispondenti al rame metallico o ai diversi tipi di ossido metallico utilizzando il nostro approccio alla rete neurale, " ha detto Frenkel.
Questa è stata la prima volta che Frenkel ha applicato il suo approccio di apprendimento automatico per risolvere qualcosa di diverso dai cluster metallici puri.
"E' la prima volta che siamo riusciti ad addestrare la rete a riconoscere diversi tipi di ossidi, " Egli ha detto.
È anche la prima volta che il metodo di Frenkel è stato utilizzato in una capacità predittiva, per determinare gli stati di ossidazione e altre caratteristiche dei cluster di 20 atomi di rame, per i quali non esistono altri dati.
Si scopre che lo stato più cataliticamente attivo del catalizzatore di rame è una miscela di cluster metallici (dove il rame è legato solo ad altri atomi di rame) e due diversi ossidi di rame (CuO e Cu2O).
"Ci sono molte reazioni in cui il catalizzatore risulta essere più attivo quando non è né completamente ossidato né completamente ridotto, " Disse Frenkel. "Quei cluster che sono in grado di formare questa miscela dei tre diversi stati nelle giuste proporzioni saranno i più attivi".
Il gruppo di Frenkel sta continuando la sua analisi per saperne di più sul meccanismo catalitico e pubblicherà i suoi risultati in futuro.
