Les scientifiques cherchant à concevoir de nouveaux catalyseurs pour convertir le dioxyde de carbone (CO 2 ) au méthane ont utilisé une nouvelle approche d'intelligence artificielle (IA) pour identifier les propriétés catalytiques clés. En utilisant cette méthode pour suivre la taille, structure, et la chimie des particules catalytiques en conditions réelles de réaction, les scientifiques peuvent identifier quelles propriétés correspondent aux meilleures performances catalytiques, puis utiliser ces informations pour guider la conception de catalyseurs plus efficaces.

"Améliorer notre capacité à convertir le CO 2 au méthane « ferait d'une pierre deux coups » en créant une source d'énergie durable non fossile qui peut être facilement stockée et transportée tout en réduisant les émissions de carbone, " a déclaré Anatoly Frenkel, un chimiste avec une nomination conjointe au Laboratoire national de Brookhaven du Département de l'énergie des États-Unis et à l'Université Stony Brook.

Le groupe de Frenkel a développé une approche d'apprentissage automatique pour extraire les propriétés catalytiques des signatures aux rayons X des catalyseurs collectées lorsque les produits chimiques sont transformés en réactions. L'analyse actuelle est décrite dans un article qui vient d'être publié dans le Journal de physique chimique , basé sur des données de rayons X recueillies au laboratoire national d'Argonne du DOE.

L'équipe du chimiste senior d'Argonne Stefan Vajda, maintenant à l'Institut de chimie physique J. Heyrovský à Prague, préparé des amas d'atomes de cuivre sélectifs en taille. Ensuite, ils ont utilisé la spectrométrie de masse et les rayons X à la source de photons avancée (APS) d'Argonne pour étudier les performances des amas de différentes tailles dans la réaction et l'évolution de leur état d'oxydation au cours de la réaction du dioxyde de carbone avec l'hydrogène.

Le cuivre s'est révélé prometteur en tant que catalyseur pouvant abaisser la température du CO 2 -réaction au méthane. Les clusters de cuivre sélectifs en taille peuvent également aider à conduire efficacement la réaction vers le résultat souhaité - en ne produisant sélectivement que du méthane et de la vapeur d'eau - sans canaliser les réactifs vers d'autres produits.

"Il y a, d'une manière générale, deux défis majeurs pour mettre en œuvre cette idée, " a déclaré Frenkel. " Le premier est le manque de connaissance de la structure des grappes préparées; plus ils sont petits, plus il peut y avoir de variations dans les formes et les structures, même lorsque le nombre d'atomes dans chaque groupe est le même.

"Seconde, même si nous commençons la réaction avec des amas d'une certaine taille et forme, ils peuvent se transformer de manière méconnaissable au cours de la réaction en diverses formes d'oxydes."

Certains des oxydes pourraient améliorer la réactivité; d'autres pourraient gêner la réaction. Pour comprendre le fonctionnement du catalyseur, les scientifiques doivent savoir quels types d'oxydes se forment au cours de la réaction et comment ils affectent les performances catalytiques.

Collecte de données spectrales

Les données de rayons X collectées lors de l'analyse des catalyseurs à l'APS ou à d'autres sources de lumière synchrotron (y compris la National Synchrotron Light Source II au Brookhaven Lab) contiennent une mine d'informations sur la composition et la structure chimiques, car ces propriétés déterminent comment les rayons X interagissent avec l'échantillon . Mais extraire ces informations à partir de données collectées à partir d'échantillons ultra-dilués constitués de minuscules amas (contenant aussi peu que quatre atomes par amas) présente un grand défi.

"Ces échantillons sont trop petits pour la diffusion des rayons X ou les méthodes d'imagerie couramment utilisées pour caractériser les matériaux à l'échelle nanométrique, " a déclaré Frenkel.

Au lieu, les scientifiques ont analysé comment les atomes de cuivre individuels absorbent les rayons X du synchrotron.

La quantité d'énergie de rayons X absorbée leur indique la quantité d'énergie nécessaire pour « jeter » un électron hors de l'orbite de chaque atome de cuivre, qui dépend de son état d'oxydation - le nombre d'électrons dont l'atome dispose pour former des liaisons chimiques. Moins l'atome de cuivre est oxydé (ce qui signifie qu'il s'accroche à ses électrons), moins il faut d'énergie aux rayons X pour expulser un électron, car les électrons laissés derrière aident à protéger l'électron qui s'échappe de la charge positive attrayante du noyau de cuivre. Le plus oxydé (avec moins d'électrons), plus il faut d'énergie pour expulser un électron restant, car l'attraction positive du noyau non blindé est plus difficile à surmonter.

Le spectre d'absorption des rayons X contient donc des informations sur l'état d'oxydation et d'autres détails qui révèlent les caractéristiques de la structure atomique, y compris le nombre d'atomes adjacents auxquels chaque atome de cuivre est lié. Mais pour extraire ces informations, les scientifiques avaient besoin d'un moyen de relier les spectres mesurés à des réseaux structuraux connus d'atomes de cuivre avec divers états d'oxydation.

C'est là qu'intervient l'intelligence artificielle. Les scientifiques ont développé un réseau de neurones artificiels « entraînés » pour reconnaître les caractéristiques clés des spectres à partir de structures connues afin qu'il puisse ensuite trouver les structures inconnues simplement en analysant les spectres mesurés.

Former le réseau

Développer une bibliothèque de structures connues qu'ils pourraient utiliser pour former le réseau a présenté ses propres défis. Pour aider, Le groupe de Frenkel s'est tourné vers Ping Liu de la division Chimie de Brookhaven.

« La structure des amas dépend très fortement de la manière dont les particules interagissent avec le substrat support sur lequel elles sont déposées et l'environnement réactif, " dit Liu, un théoricien possédant une vaste expérience de la modélisation de l'activité catalytique. « Nous avons construit des systèmes modèles pour les clusters de métaux et d'oxydes métalliques pris en charge, suffisamment complexe pour capturer les structures et les comportements catalytiques au cours des réactions observées expérimentalement, ", a-t-elle déclaré. "Ces modèles d'exploitation fournissent une base solide permettant la précision et l'efficacité de l'apprentissage automatique."

Ensuite, l'équipe a utilisé des méthodes numériques pour générer les spectres que ces échantillons produiraient - une approche assez simple - et a utilisé ces spectres générés théoriquement pour entraîner le réseau de neurones.

Une fois que l'ordinateur exécutant le programme de réseau neuronal avait appris les relations entre les caractéristiques spectrales et les caractéristiques clés des clusters connus - les états d'oxydation, nombre d'atomes voisins, et ainsi de suite - les scientifiques pourraient transmettre les spectres mesurés à partir de leurs grappes expérimentales dans le réseau et cela leur indiquerait les caractéristiques des grappes pour ces échantillons.

Caractéristiques des clusters

Dans l'expérience du catalyseur au cuivre, les scientifiques ont utilisé cette approche pour analyser les spectres d'absorption des rayons X à partir de grappes composées de quatre, Douze, ou vingt atomes de cuivre.

« Pendant la réaction, ces amas passent par de nombreux états d'oxydation différents selon le stade de la réaction. Nous avons collecté les spectres à ces différentes étapes et utilisé notre approche d'apprentissage automatique pour identifier les différents états d'oxydation des clusters à différentes étapes de la réaction. Nous avons également corrélé les états d'oxydation avec l'activité catalytique observée pour déterminer quelles structures sont les meilleurs catalyseurs, " a déclaré Frenkel.

Les données d'autres méthodes expérimentales existaient déjà pour les deux plus petites tailles de cluster, il pourrait donc servir de contre-vérification de la nouvelle technique. "Cette comparaison a montré que nous étions capables de reconnaître les états d'oxydation correspondant au cuivre métallique ou aux différents types d'oxyde métallique grâce à notre approche de réseau de neurones, " a déclaré Frenkel.

C'était la première fois que Frenkel appliquait son approche d'apprentissage automatique pour résoudre autre chose que des amas métalliques purs.

« C'est la première fois que nous avons pu former le réseau à reconnaître différents types d'oxydes, " il a dit.

C'est aussi la première fois que la méthode de Frenkel est utilisée à titre prédictif pour déterminer les états d'oxydation et d'autres caractéristiques des amas de 20 atomes de cuivre, pour lesquels aucune autre donnée n'existe.

Il s'avère que l'état le plus catalytiquement actif du catalyseur au cuivre est un mélange d'agrégats métalliques (où le cuivre est lié uniquement à d'autres atomes de cuivre) et de deux oxydes de cuivre différents (CuO et Cu2O).

"Il existe de nombreuses réactions où le catalyseur s'avère être le plus actif lorsqu'il n'est ni totalement oxydé ni totalement réduit, " a déclaré Frenkel. "Ces amas capables de former ce mélange des trois états différents dans les bonnes proportions seront les plus actifs."

Le groupe de Frenkel poursuit son analyse pour en savoir plus sur le mécanisme catalytique et publiera ses résultats à l'avenir.