Este esquema muestra cómo los espectros derivados de cálculos teóricos utilizando estructuras conocidas (arriba) se pueden usar para entrenar una red neuronal (centro), que luego puede usar su "conocimiento" ensamblado para traducir espectros medidos en experimentos de operando en las estructuras correspondientes (abajo). Crédito:Laboratorio Nacional Brookhaven
Los científicos que buscan diseñar nuevos catalizadores para convertir el dióxido de carbono (CO 2 ) al metano han utilizado un nuevo enfoque de inteligencia artificial (IA) para identificar propiedades catalíticas clave. Al usar este método para rastrear el tamaño, estructura, y química de partículas catalíticas en condiciones reales de reacción, los científicos pueden identificar qué propiedades corresponden al mejor desempeño catalítico, y luego usar esa información para guiar el diseño de catalizadores más eficientes.
"Mejorar nuestra capacidad para convertir CO 2 al metano 'mataría dos pájaros de un tiro' al hacer una fuente de energía sostenible que no sea de combustibles fósiles que se pueda almacenar y transportar fácilmente mientras se reducen las emisiones de carbono, "dijo Anatoly Frenkel, químico con un cargo conjunto en el Laboratorio Nacional Brookhaven del Departamento de Energía de EE. UU. y la Universidad Stony Brook.
El grupo de Frenkel ha estado desarrollando un enfoque de aprendizaje automático para extraer propiedades catalíticas de las firmas de rayos X de los catalizadores recolectados a medida que los productos químicos se transforman en reacciones. El análisis actual se describe en un artículo recién publicado en el Revista de física química , basado en datos de rayos X recopilados en el Laboratorio Nacional Argonne del DOE.
El equipo del químico senior de Argonne Stefan Vajda, ahora en el Instituto de Química Física J. Heyrovský en Praga, grupos preparados de átomos de cobre selectivos por tamaño. Luego usaron espectrometría de masas y rayos X en la Fuente de Fotones Avanzada (APS) de Argonne para estudiar cómo se comportaron los grupos de varios tamaños en la reacción y cómo evolucionó su estado de oxidación durante la reacción del dióxido de carbono con el hidrógeno.
El cobre se ha mostrado prometedor como catalizador que puede reducir la temperatura del CO 2 reacción de -a-metano. Los grupos de cobre de tamaño selectivo también pueden ayudar a impulsar la reacción de manera eficiente al resultado deseado, produciendo selectivamente solo metano y vapor de agua, sin canalizar los reactivos por una variedad de vías hacia otros productos.
"Existen, hablando en general, dos grandes desafíos para implementar esta idea, "dijo Frenkel." Primero es la falta de conocimiento de la estructura de los grupos preparados; cuanto más pequeños son, cuantas más variaciones pueda haber en las formas y estructuras, incluso cuando el número de átomos en cada grupo sea el mismo.
"Segundo, incluso si comenzamos la reacción con grupos de cierto tamaño y forma, pueden transformarse más allá del reconocimiento durante la reacción a diversas formas de óxidos ".
Algunos de los óxidos pueden mejorar la reactividad; otros pueden impedir la reacción. Para entender cómo funciona el catalizador, los científicos necesitan saber qué tipos de óxidos se forman durante la reacción y cómo afectan el desempeño catalítico.
Miembros del equipo de investigación:estudiante graduado de la Universidad de Stony Brook (SBU) Nicholas Marcella, El químico de Brookhaven Lab, Ping Liu, El estudiante graduado de SBU Yang Liu, y Anatoly Frenkel, designado conjuntamente por SBU-Brookhaven Lab. Crédito:Laboratorio Nacional Brookhaven
Recolectando datos espectrales
Los datos de rayos X recopilados durante el análisis de catalizadores en el APS u otras fuentes de luz de sincrotrón (incluida la Fuente de luz de sincrotrón nacional II en Brookhaven Lab) contienen una gran cantidad de información sobre la composición y la estructura química porque estas propiedades determinan cómo los rayos X interactúan con la muestra . Pero extraer esa información de los datos recopilados de muestras ultradiluidas formadas por pequeños grupos (que contienen tan solo cuatro átomos por grupo) presenta un gran desafío.
"Estas muestras son demasiado pequeñas para la dispersión de rayos X o los métodos de imágenes que se utilizan comúnmente para caracterizar materiales en la nanoescala, "Dijo Frenkel.
En lugar de, los científicos analizaron cómo los átomos de cobre individuales absorben los rayos X del sincrotrón.
La cantidad de energía de rayos X absorbida les dice cuánta energía se necesita para "sacar" un electrón de la órbita de cada átomo de cobre, que depende de su estado de oxidación, cuántos electrones tiene disponible el átomo para participar en la formación de enlaces químicos. Cuanto menos oxidado esté el átomo de cobre (lo que significa que se aferra a sus electrones), menos energía necesitan los rayos X para expulsar un electrón, porque los electrones que quedan ayudan a proteger al electrón que escapa de la atractiva carga positiva del núcleo de cobre. Cuanto más oxidado (con menos electrones), cuanta más energía se necesita para expulsar un electrón restante, porque la atracción positiva del núcleo sin blindaje es más difícil de superar.
Por lo tanto, el espectro de absorción de rayos X contiene información sobre el estado de oxidación y otros detalles que revelan características de la estructura atómica. incluyendo cuántos átomos adyacentes está unido cada átomo de cobre. Pero para extraer esta información, los científicos necesitaban una forma de relacionar los espectros medidos con matrices estructurales conocidas de átomos de cobre con varios estados de oxidación.
Ahí es donde entra en juego la inteligencia artificial. Los científicos desarrollaron una red neuronal artificial "entrenada" para reconocer características clave en los espectros de estructuras conocidas para luego poder encontrar las estructuras desconocidas simplemente analizando los espectros medidos.
Entrenando la red
Desarrollar una biblioteca de estructuras conocidas que pudieran usar para capacitar a la red presentaba sus propios desafíos. Por ayuda, El grupo de Frenkel recurrió a Ping Liu en la División de Química de Brookhaven.
"La estructura de los grupos depende en gran medida de cómo interactúan las partículas con el sustrato de soporte sobre el que se depositan y el entorno reactivo, "dijo Liu, un teórico con vasta experiencia en el modelado de la actividad catalítica. "Hemos construido sistemas modelo para los grupos de óxidos y metales soportados, lo suficientemente complejo como para capturar las estructuras y los comportamientos catalíticos durante las reacciones como se observa experimentalmente, ", dijo." Estos modelos operativos proporcionan una base sólida que permite la precisión y la eficiencia del aprendizaje automático ".
Luego, el equipo utilizó métodos numéricos para generar los espectros que producirían estas muestras, un enfoque bastante sencillo, y utilizó estos espectros generados teóricamente para entrenar la red neuronal.
Una vez que la computadora que ejecuta el programa de red neuronal aprendió las relaciones entre las características espectrales y las características clave de los grupos conocidos:los estados de oxidación, número de átomos vecinos, y así sucesivamente, los científicos podrían alimentar los espectros medidos de sus grupos experimentales en la red y les diría las características del grupo para esas muestras.
Características de los clusters
En el experimento del catalizador de cobre, los científicos utilizaron este enfoque para analizar los espectros de absorción de rayos X de grupos compuestos por cuatro, doce, o veinte átomos de cobre.
"Durante la reacción, estos grupos pasan por muchos estados de oxidación diferentes dependiendo de la etapa de la reacción. Recopilamos los espectros en estas diferentes etapas y usamos nuestro enfoque de aprendizaje automático para identificar los diferentes estados de oxidación de los clústeres en las diferentes etapas de la reacción. También correlacionamos los estados de oxidación con la actividad catalítica observada para determinar qué estructuras son los mejores catalizadores, "Dijo Frenkel.
Ya existían datos de otros métodos experimentales para los dos tamaños de conglomerados más pequeños, por lo que podría servir como una verificación cruzada de la nueva técnica. "Esta comparación mostró que pudimos reconocer los estados de oxidación correspondientes al cobre metálico o los diferentes tipos de óxido metálico utilizando nuestro enfoque de red neuronal, "Dijo Frenkel.
Esta fue la primera vez que Frenkel aplicó su enfoque de aprendizaje automático para resolver cualquier cosa que no fueran clústeres metálicos puros.
"Es la primera vez que pudimos entrenar la red para reconocer diferentes tipos de óxidos, " él dijo.
También es la primera vez que se utiliza el método de Frenkel con capacidad predictiva:para determinar los estados de oxidación y otras características de los grupos de 20 átomos de cobre, para los que no existen otros datos.
Resulta que el estado más catalíticamente activo del catalizador de cobre es una mezcla de grupos metálicos (donde el cobre está unido solo a otros átomos de cobre) y dos óxidos de cobre diferentes (CuO y Cu2O).
"Hay muchas reacciones en las que el catalizador resulta ser más activo cuando no está ni completamente oxidado ni completamente reducido, ", Dijo Frenkel." Los grupos que sean capaces de formar esta mezcla de los tres estados diferentes en las proporciones correctas serán los más activos ".
El grupo de Frenkel continúa con su análisis para aprender más sobre el mecanismo catalítico y publicará sus resultados en el futuro.
