X射線數據的機器學習分析確定了關鍵的催化性能

尋求設計新催化劑以將二氧化碳（CO2）轉化為甲烷的科學家，已經使用一種新穎的人工智慧（AI）方法來識別關鍵的催化性能。通過使用這種方法跟蹤實際反應條件下催化顆粒的尺寸，結構和化學性質，科學家們可以識別出哪些特性與最佳催化性能相對應，然後利用這些信息來指導更高效催化劑的設計。

「提高我們將二氧化碳轉化為甲烷的能力，將通過製造一種可持續的非化石燃料能源，在減少碳排放的同時易於儲存和運輸，從而'殺死兩隻鳥，就可以殺死它們。」化學家Anatoly Frenkel說道。美國能源部布魯克海文國家實驗室和石溪大學的聯合任命。

Frenkel的小組一直在開發一種機器學習方法，以從隨著反應中化學物質的轉化而收集的催化劑的X射線特徵提取催化性質。基於在DOE的阿貢國家實驗室收集的X射線數據，在剛剛發表在《化學物理學雜誌》上的一篇論文中描述了當前的分析。

現在在布拉格J.Heyrovský物理化學研究所的Argonne高級化學家Stefan Vajda的團隊準備了對銅Atom進行尺寸選擇的簇。然後，他們在Argonne的高級光子源（APS）上使用質譜和X射線研究了各種尺寸的團簇如何在反應中進行，以及它們在二氧化碳與氫氣反應過程中的氧化態如何演化。

銅已被證明是可以降低二氧化碳與甲烷反應溫度的催化劑。尺寸選擇性的銅簇也可以幫助有效地將反應驅動至所需的結果-選擇性地僅產生甲烷和水蒸氣-而不會將反應物沿各種途徑引導至其他產物。

弗倫克爾說：「從廣義上講，實現這一想法面臨兩個主要挑戰。」 「首先是對準備好的簇的結構缺乏了解；它們越小，形狀和結構的變化就可能越大，即使每個簇中的Atom數相同也是如此。

「第二，即使我們以一定大小和形狀的簇開始反應，它們在反應過程中也可能轉變為各種形式的氧化物，從而無法識別。」

某些氧化物可能會增強反應性。其他人可能會阻止反應。為了了解催化劑的工作原理，科學家們需要知道在反應過程中會形成何種類型的氧化物，以及它們如何影響催化性能。

收集光譜數據

在APS或其他同步加速器光源（包括Brookhaven Lab的National Synchrotron光源II）上分析催化劑時收集的X射線數據包含有關化學成分和結構的大量信息，因為這些性質決定了X射線與樣品的相互作用方式。但是，從由微小簇（每個簇中只有四個Atom）組成的超稀疏樣品收集的數據中提取信息是一個巨大的挑戰。

弗倫克爾說：「這些樣品太小，無法用於通常用於表徵Nano級材料的X射線散射或成像方法。」

相反，科學家分析了單個銅Atom如何吸收同步加速器的X射線。

吸收的X射線能量量告訴他們從一個銅Atom中將電子「踢出」軌道外需要多少能量，這取決於其氧化態-Atom在形成化學鍵時可以共享多少電子。銅Atom被氧化的越少（意味著它保持在電子上），X射線將電子踢出所花費的能量就越少-因為留下的電子有助於使逃逸的電子免受吸引的正電荷銅核。氧化越多（電子越少），將剩餘的電子踢出去所需的能量就越多-因為未屏蔽核的正向拉力很難克服。

因此，X射線吸收光譜包含有關氧化態的信息以及其他揭示Atom結構特徵的細節，包括每個銅Atom結合了多少個相鄰Atom。但是，為了提取這些信息，科學家需要一種將測得的光譜與具有各種氧化態的已知銅Atom結構陣列相關聯的方法。

那就是人工智慧的用武之地。科學家開發了一個經過「訓練」的人工神經網路，以識別已知結構光譜中的關鍵特徵，以便僅通過分析測得的光譜就可以找到未知結構。

訓練網路

開發可用於訓練網路的已知結構的庫提出了自己的挑戰。為了尋求幫助，Frenkel的小組求助於布魯克海文化學系的劉萍。

擁有豐富的催化活性建模經驗的理論家劉說：「團簇的結構在很大程度上取決於顆粒如何與它們沉積在其上的載體基質相互作用以及反應環境。」她說：「我們已經為支撐的金屬和金屬氧化物簇構建了模型系統，其複雜程度足以捕獲反應期間在反應過程中的結構和催化行為，」她說。 「這些操作模型為實現機器學習的準確性和效率提供了堅實的基礎。」

然後，研究小組使用數值方法來生成這些樣本將產生的光譜-一種相當簡單的方法-並使用這些理論上產生的光譜來訓練神經網路。

一旦運行神經網路程序的計算機了解了光譜特徵與已知簇的關鍵特徵之間的關係（氧化態，相鄰Atom數等），科學家便可以提供從實驗中測得的光譜聚類到網路中，它將告訴他們這些樣本的聚類特徵。

集群的特徵

在銅催化劑實驗中，科學家使用這種方法來分析由四個，十二個或二十個銅Atom組成的簇的X射線吸收光譜。

「在反應過程中，這些簇根據反應的階段經歷許多不同的氧化態。我們收集了這些不同階段的光譜，並使用我們的機器學習方法來識別簇在不同反應階段的不同氧化態。我們還將氧化態與觀察到的催化活性聯繫起來，以確定哪種結構是最好的催化劑，」弗倫克爾說。

對於兩個較小的簇尺寸，已經存在來自其他實驗方法的數據，因此可以用作對新技術的交叉檢查。弗倫克爾說：「這種比較表明，我們能夠使用神經網路方法識別與金屬銅或不同類型的金屬氧化物相對應的氧化態。」

這是Frenkel首次將他的機器學習方法用於解決除純金屬簇以外的任何問題。

他說：「這是我們第一次能夠訓練網路以識別不同類型的氧化物。」

這也是Frenkel方法首次用於預測能力-確定20銅Atom團簇的氧化態和其他特徵，沒有其他數據。

事實證明，銅催化劑的最具催化活性的狀態是金屬簇（其中銅僅與其他銅Atom鍵合）和兩種不同的氧化銅（CuO和Cu2O）的混合物。

弗倫克爾說：「在很多反應中，當催化劑既不被完全氧化也不被完全還原時，其活性最高。」 「那些能夠以正確比例形成三種不同狀態的混合體的簇將是最活躍的。」

Frenkel小組正在繼續他們的分析，以了解有關催化機制的更多信息，並將在將來發布其結果。

有所作為：贊助機會

故事來源：

用料 由…提供 美國能源部/布魯克海文國家實驗室。注意：可以編輯內容的樣式和長度。