X射线数据的机器学习分析确定了关键的催化性能

寻求设计新催化剂以将二氧化碳(CO 2)转化为甲烷的科学家，已经使用一种新颖的人工智能(AI)方法来识别关键的催化性能。通过使用这种方法跟踪实际反应条件下催化颗粒的尺寸，结构和化学性质，科学家们可以识别出哪些特性与最佳催化性能相对应，然后利用这些信息来指导更高效催化剂的设计。

“提高我们将CO 2转化为甲烷的能力，将通过制造一种可持续的非化石燃料能源，将其轻易地存储和运输，同时减少碳排放，从而'杀死一只石头就可以杀死两只鸟。”化学家Anatoly Frenkel说美国能源部布鲁克海文国家实验室和石溪大学的联合任命。

Frenkel的小组一直在开发一种机器学习方法，以从在反应中转化为化学物质时收集到的催化剂的X射线特征中提取催化性质。基于在DOE的阿贡国家实验室收集的X射线数据，在刚刚发表在《化学物理学》上的一篇论文中描述了当前的分析。

现在在布拉格J.Heyrovský物理化学研究所的Argonne高级化学家Stefan Vajda的团队准备了对铜原子进行尺寸选择的簇。然后，他们在Argonne的高级光子源(APS)上使用质谱和X射线研究了各种尺寸的团簇如何在反应中进行，以及在二氧化碳与氢气反应期间其氧化态如何演化。

铜已被证明是可以降低CO 2-甲烷反应温度的催化剂。尺寸选择性的铜簇也可以帮助有效地将反应驱动至所需的结果(选择性地仅产生甲烷和水蒸气)，而无需沿各种途径将反应物引导至其他产物。

弗伦克尔说：“从广义上讲，实现这一想法面临两个主要挑战。” “首先是对准备好的簇的结构缺乏了解;它们越小，形状和结构的变化就越大，即使每个簇中的原子数相同也是如此。

“第二，即使我们以一定大小和形状的簇开始反应，它们在反应过程中也可能转变为各种形式的氧化物，从而无法识别。”

某些氧化物可能会增强反应性。其他人可能会阻止反应。为了了解催化剂的工作原理，科学家们需要知道在反应过程中会形成哪种类型的氧化物，以及它们如何影响催化性能。

研究团队成员：石溪大学(SBU)研究生Nicholas Marcella，布鲁克海文实验室化学家刘平，SBU研究生刘阳和SBU-布鲁克海文实验室的联合受聘人Anatoly Frenkel。图片来源：布鲁克海文国家实验室

收集光谱数据

在APS或其他同步加速器光源(包括Brookhaven Lab 的National Synchrotron光源II)上分析催化剂时收集的X射线数据包含有关化学成分和结构的大量信息，因为这些性质决定了X射线与样品的相互作用方式。但是，从由微小簇(每个簇中只有四个原子)组成的超稀疏样品收集的数据中提取信息是一个巨大的挑战。

弗伦克尔说：“这些样品太小，无法用于通常用于表征纳米级材料的X射线散射或成像方法。”

相反，科学家分析了单个铜原子如何吸收同步加速器的X射线。

吸收的X射线能量量告诉他们从一个铜原子中将电子“踢出”轨道外需要多少能量，这取决于其氧化态-原子可共享多少电子以形成化学键。铜原子的氧化程度越低(意味着它保持其电子)，x射线将电子踢出所用的能量就越少，这是因为留下的电子有助于将逸出的电子与有害的正电荷隔离开来。铜核。氧化越多(电子越少)，将剩余的电子踢出去所需的能量就越多，因为未屏蔽核的正向拉力很难克服。

因此，X射线吸收光谱包含有关氧化态的信息以及其他揭示原子结构特征的细节，包括每个铜原子结合了多少个相邻原子。但是，为了提取这些信息，科学家需要一种将测得的光谱与具有各种氧化态的已知铜原子结构阵列相关联的方法。

那就是人工智能的用武之地。科学家开发了一个经过“训练” 的人工神经网络，以识别已知结构光谱中的关键特征，以便仅通过分析测得的光谱就可以找到未知结构。

训练网络

开发可用于训练网络的已知结构的库提出了自己的挑战。为了寻求帮助，Frenkel的小组求助于布鲁克海文化学系的刘萍。

拥有丰富的催化活性建模经验的理论家刘说：“簇的结构在很大程度上取决于颗粒如何与它们沉积在其上的支撑基质相互作用以及反应环境。” 她说：“我们已经为支撑的金属和金属氧化物簇构建了模型系统，其复杂程度足以捕获反应期间在反应过程中的结构和催化行为，”她说。“这些操作模型为实现机器学习的准确性和效率提供了坚实的基础。”

然后，研究小组使用数值方法来生成这些样本将产生的光谱(一种相当简单的方法)，并使用这些理论上产生的光谱来训练神经网络。

一旦运行神经网络程序的计算机了解了光谱特征与已知团簇的关键特征(氧化态，相邻原子数等)之间的关系，科学家便可以将从他们的实验团簇中测得的光谱输入到网络，它会告诉他们这些样本的群集特征。

集群的特征

在铜催化剂实验中，科学家使用这种方法来分析由四个，十二个或二十个铜原子组成的簇的X射线吸收光谱。

“在反应过程中，这些簇根据反应的阶段经历许多不同的氧化态。我们收集了这些不同阶段的光谱，并使用我们的机器学习方法来识别反应不同阶段的簇的不同氧化态。我们还将氧化态与观察到的催化活性联系起来，以确定哪种结构是最好的催化剂，”弗伦克尔说。

对于两个较小的簇尺寸，已经存在来自其他实验方法的数据，因此可以用作对新技术的交叉检查。弗伦克尔说：“这种比较表明，我们能够使用神经网络方法识别与金属铜或不同类型的金属氧化物相对应的氧化态。”

这是Frenkel首次将他的机器学习方法用于解决除纯金属簇以外的任何问题。

他说：“这是我们第一次能够训练网络以识别不同类型的氧化物。”

这也是Frenkel方法首次用于预测能力-确定20铜原子团簇的氧化态和其他特征，没有其他数据。

事实证明，铜催化剂的最具催化活性的状态是金属簇(其中铜仅与其他铜原子键合)和两种不同的氧化铜(CuO和Cu2O)的混合物。

弗伦克尔说：“在很多反应中，当催化剂既不被完全氧化也不被完全还原时，其活性最高。” “那些能够以正确比例形成三种不同状态的混合体的簇将是最活跃的。”

Frenkel小组正在继续他们的分析，以了解有关催化机制的更多信息，并将在将来发布其结果。