Este esquema mostra como os espectros derivados de cálculos teóricos usando estruturas conhecidas (topo) podem ser usados para treinar uma rede neural (centro), que pode então usar seu "conhecimento" reunido para traduzir espectros medidos em experimentos operando nas estruturas correspondentes (parte inferior). Crédito:Laboratório Nacional de Brookhaven
Cientistas procuram projetar novos catalisadores para converter dióxido de carbono (CO 2 ) ao metano usaram uma nova abordagem de inteligência artificial (IA) para identificar as principais propriedades catalíticas. Usando este método para rastrear o tamanho, estrutura, e química de partículas catalíticas sob condições reais de reação, os cientistas podem identificar quais propriedades correspondem ao melhor desempenho catalítico, e usar essas informações para orientar o projeto de catalisadores mais eficientes.
"Melhorando nossa capacidade de converter CO 2 ao metano iria 'matar dois coelhos com uma cajadada só' ao fazer uma fonte de energia de combustível não fóssil sustentável que pode ser facilmente armazenada e transportada enquanto reduz as emissões de carbono, "disse Anatoly Frenkel, um químico com uma nomeação conjunta no Laboratório Nacional Brookhaven do Departamento de Energia dos EUA e na Universidade Stony Brook.
O grupo de Frenkel tem desenvolvido uma abordagem de aprendizado de máquina para extrair propriedades catalíticas de assinaturas de raios-X de catalisadores coletados à medida que os produtos químicos são transformados em reações. A análise atual é descrita em um artigo recém-publicado no Journal of Chemical Physics , com base em dados de raios-X coletados no Laboratório Nacional de Argonne do DOE.
A equipe do químico sênior de Argonne Stefan Vajda, agora no J. Heyrovský Institute of Physical Chemistry em Praga, preparou aglomerados de átomos de cobre com seleção de tamanho. Em seguida, eles usaram espectrometria de massa e raios-x na Fonte Avançada de Fótons (APS) de Argonne para estudar como os aglomerados de vários tamanhos atuavam na reação e como seu estado de oxidação evoluía durante a reação do dióxido de carbono com o hidrogênio.
O cobre tem se mostrado promissor como um catalisador que pode diminuir a temperatura do CO 2 reação -para-metano. Aglomerados de cobre com seleção de tamanho também podem ajudar a conduzir a reação de maneira eficiente até o resultado desejado - produzindo seletivamente apenas metano e vapor de água - sem canalizar os reagentes por uma variedade de caminhos em direção a outros produtos.
"Existem, em termos gerais, dois grandes desafios para a implementação dessa ideia, "disse Frenkel." Primeiro é a falta de conhecimento da estrutura dos clusters preparados; quanto menores eles são, quanto mais variações houver nas formas e estruturas - mesmo quando o número de átomos em cada cluster é o mesmo.
"Segundo, mesmo se começarmos a reação com grupos de um certo tamanho e forma, eles podem se transformar além do reconhecimento durante a reação a várias formas de óxidos. "
Alguns dos óxidos podem aumentar a reatividade; outros podem impedir a reação. Para entender como o catalisador funciona, os cientistas precisam saber que tipos de óxidos se formam durante a reação - e como eles afetam o desempenho catalítico.
Membros da equipe de pesquisa:o estudante de pós-graduação da Stony Brook University (SBU) Nicholas Marcella, O químico do Brookhaven Lab, Ping Liu, Yang Liu, estudante de graduação da SBU, e o nomeado em conjunto pelo SBU-Brookhaven Lab, Anatoly Frenkel. Crédito:Laboratório Nacional de Brookhaven
Coletando dados espectrais
Os dados de raios-X coletados durante a análise de catalisadores no APS ou outras fontes de luz síncrotron (incluindo a National Synchrotron Light Source II no Brookhaven Lab) contêm uma riqueza de informações sobre a composição química e estrutura porque essas propriedades determinam como os raios-x interagem com a amostra . Mas extrair essas informações de dados coletados de amostras ultra-diluídas formadas por minúsculos clusters (contendo apenas quatro átomos por cluster) apresenta um grande desafio.
"Essas amostras são muito pequenas para espalhamento de raios-X ou métodos de imagem comumente usados para caracterizar materiais em nanoescala, "Frenkel disse.
Em vez de, os cientistas analisaram como átomos de cobre individuais absorvem os raios-x síncrotron.
A quantidade de energia de raios-X absorvida diz a eles quanta energia é necessária para "chutar" um elétron para fora da órbita de cada átomo de cobre, que depende de seu estado de oxidação - quantos elétrons o átomo tem disponíveis para compartilhar na formação de ligações químicas. Quanto menos oxidado estiver o átomo de cobre (o que significa que está retendo seus elétrons), menos energia é necessária para os raios X expulsarem um elétron - porque os elétrons deixados para trás ajudam a proteger o elétron que escapa da carga positiva atrativa do núcleo de cobre. Quanto mais oxidado (com menos elétrons), mais energia é necessária para expulsar o elétron restante - porque a atração positiva do núcleo não blindado é mais difícil de superar.
O espectro de absorção de raios-X, portanto, contém informações sobre o estado de oxidação e outros detalhes que revelam características da estrutura atômica, incluindo quantos átomos adjacentes cada átomo de cobre está ligado. Mas, para extrair essas informações, os cientistas precisavam de uma maneira de relacionar os espectros medidos a arranjos estruturais conhecidos de átomos de cobre com vários estados de oxidação.
É aí que entra a inteligência artificial. Os cientistas desenvolveram uma rede neural artificial "treinada" para reconhecer características-chave em espectros de estruturas conhecidas para que pudesse então encontrar as estruturas desconhecidas apenas analisando os espectros medidos.
Treinar a rede
O desenvolvimento de uma biblioteca de estruturas conhecidas que eles pudessem usar para treinar a rede apresentava seus próprios desafios. Para ajuda, O grupo de Frenkel procurou Ping Liu na Divisão de Química de Brookhaven.
"A estrutura dos aglomerados depende fortemente de como as partículas interagem com o substrato de suporte sobre o qual são depositadas e com o ambiente reativo, "disse Liu, um teórico com vasta experiência em modelagem de atividade catalítica. "Construímos sistemas modelo para os clusters de metal com suporte e de óxido de metal, complexo o suficiente para capturar as estruturas e comportamentos catalíticos durante as reações observadas experimentalmente, "ela disse." Esses modelos operacionais fornecem uma base sólida que permite a precisão e eficiência do aprendizado de máquina. "
Em seguida, a equipe usou métodos numéricos para gerar os espectros que essas amostras produziriam - uma abordagem bastante direta - e usou esses espectros gerados teoricamente para treinar a rede neural.
Uma vez que o computador que executa o programa de rede neural aprendeu as relações entre os recursos espectrais e as características-chave dos clusters conhecidos - os estados de oxidação, número de átomos vizinhos, e assim por diante - os cientistas poderiam alimentar os espectros medidos de seus clusters experimentais na rede e isso lhes diria as características do cluster para essas amostras.
Características dos clusters
No experimento com catalisador de cobre, os cientistas usaram esta abordagem para analisar espectros de absorção de raios-X de aglomerados compostos por quatro, doze, ou vinte átomos de cobre.
"Durante a reação, esses aglomerados passam por muitos estados de oxidação diferentes, dependendo do estágio da reação. Coletamos os espectros nesses diferentes estágios e usamos nossa abordagem de aprendizado de máquina para identificar os diferentes estados de oxidação dos clusters em diferentes estágios da reação. Também correlacionamos os estados de oxidação com a atividade catalítica observada para determinar quais estruturas são os melhores catalisadores, "Frenkel disse.
Os dados de outros métodos experimentais já existiam para os dois tamanhos de cluster menores, portanto, poderia servir como uma verificação cruzada da nova técnica. "Esta comparação mostrou que fomos capazes de reconhecer os estados de oxidação correspondentes ao cobre metálico ou aos diferentes tipos de óxido de metal usando nossa abordagem de rede neural, "Frenkel disse.
Esta foi a primeira vez que Frenkel aplicou sua abordagem de aprendizado de máquina para resolver qualquer coisa diferente de clusters puramente metálicos.
“É a primeira vez que conseguimos treinar a rede para reconhecer diferentes tipos de óxidos, " ele disse.
É também a primeira vez que o método de Frenkel foi usado em uma capacidade preditiva - para determinar os estados de oxidação e outras características dos aglomerados de 20 átomos de cobre, para os quais não existem outros dados.
Acontece que o estado mais cataliticamente ativo do catalisador de cobre é uma mistura de aglomerados metálicos (onde o cobre está ligado apenas a outros átomos de cobre) e dois óxidos de cobre diferentes (CuO e Cu2O).
"Existem muitas reações em que o catalisador acaba sendo mais ativo quando não está totalmente oxidado nem totalmente reduzido, "Frenkel disse." Aqueles aglomerados que são capazes de formar essa mistura dos três estados diferentes nas proporções certas serão os mais ativos. "
O grupo de Frenkel está continuando sua análise para aprender mais sobre o mecanismo catalítico e publicará seus resultados no futuro.
