A química é uma dança complexa de átomos. Mudanças sutis de posição e embaralhamento de elétrons quebram e refazem ligações químicas conforme os participantes trocam de parceiros. Os catalisadores são como casamenteiros moleculares que facilitam a interação de parceiros às vezes relutantes.

Agora os cientistas têm uma maneira de capturar os detalhes da coreografia química no momento em que ela acontece. O método - que se baseia em computadores que aprenderam a reconhecer sinais ocultos das etapas - deve ajudá-los a melhorar o desempenho dos catalisadores para gerar reações em direção aos produtos desejados com mais rapidez.

O método desenvolvido por uma equipe interdisciplinar de químicos, cientistas computacionais, e físicos do Laboratório Nacional Brookhaven e da Universidade Stony Brook do Departamento de Energia dos EUA - é descrito em um novo artigo publicado no Journal of Physical Chemistry Letters . O artigo demonstra como a equipe usou redes neurais e aprendizado de máquina para ensinar computadores a decodificar informações anteriormente inacessíveis de dados de raios-X, e então usou esses dados para decifrar estruturas em nanoescala 3-D.

Decodificando estruturas em nanoescala

"O principal desafio no desenvolvimento de catalisadores é saber como eles funcionam - para que possamos projetar melhores de forma racional, não por tentativa e erro, "disse Anatoly Frenkel, líder da equipe de pesquisa que tem um compromisso conjunto com a Divisão de Química do Brookhaven Lab e com o Departamento de Ciência de Materiais da Stony Brook University. "A explicação de como funcionam os catalisadores está no nível dos átomos e nas medições muito precisas das distâncias entre eles, que podem mudar conforme eles reagem. Portanto, não é tão importante conhecer a arquitetura dos catalisadores quando eles são feitos, mas é mais importante acompanhá-la conforme eles reagem. "

O problema é, reações importantes - aquelas que criam produtos químicos industriais importantes, como fertilizantes - muitas vezes ocorrem em altas temperaturas e sob pressão, o que complica as técnicas de medição. Por exemplo, os raios X podem revelar algumas estruturas de nível atômico, fazendo com que os átomos que absorvem sua energia emitam ondas eletrônicas. À medida que essas ondas interagem com átomos próximos, eles revelam suas posições de uma maneira semelhante a como as distorções nas ondulações na superfície de um lago podem revelar a presença de rochas. Mas o padrão de ondulação fica mais complicado e manchado quando o alto calor e a pressão introduzem desordem na estrutura, borrando assim a informação que as ondas podem revelar.

Então, em vez de confiar no "padrão de ondulação" do espectro de absorção de raios-X, O grupo de Frenkel descobriu uma maneira de examinar uma parte diferente do espectro associado às ondas de baixa energia que são menos afetadas pelo calor e pela desordem.

"Percebemos que esta parte do sinal de absorção de raios-X contém todas as informações necessárias sobre o ambiente em torno dos átomos absorventes, "disse Janis Timoshenko, um pós-doutorado trabalhando com Frenkel em Stony Brook e principal autor do artigo. "Mas essa informação está escondida 'abaixo da superfície', no sentido de que não temos uma equação para descrevê-la, por isso é muito mais difícil de interpretar. Precisávamos decodificar esse espectro, mas não tínhamos uma chave. "

Felizmente, Yuewei Lin e Shinjae Yoo da Iniciativa de Ciência Computacional de Brookhaven e Deyu Lu do Centro de Nanomateriais Funcionais (CFN) tiveram experiência significativa com os chamados métodos de aprendizado de máquina. Eles ajudaram a equipe a desenvolver uma chave ensinando computadores a encontrar as conexões entre recursos ocultos do espectro de absorção e detalhes estruturais dos catalisadores.

"Janis pegou essas ideias e realmente as seguiu, "Frenkel disse.

A equipe usou modelagem teórica para produzir espectros simulados de várias centenas de milhares de estruturas de modelo, e usou-os para treinar o computador para reconhecer as características do espectro e como elas se correlacionavam com a estrutura.

"Then we built a neural network that was able to convert the spectrum into structures, " Frenkel said.

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), por exemplo, 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.

Além disso, 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.