Les nanoparticules métalliques ont reçu une attention considérable en raison de leurs applications dans divers domaines de la médecine, catalyse, l'énergie et l'environnement. Cependant, les propriétés fondamentales de l'adsorption des nanoparticules sur une surface restent à comprendre. James Dean et une équipe de recherche interdisciplinaire du département de génie chimique, aux États-Unis a introduit un modèle d'adsorption universel pour tenir compte des caractéristiques structurelles, composition métallique et différents adsorbats de nanoparticules via l'apprentissage automatique (ML). Le modèle correspond à un grand nombre de données pour prédire avec précision les tendances d'adsorption sur les nanoparticules monométalliques et à base d'alliages. Le modèle était simple et fournissait des données calculées rapidement pour les métaux et les adsorbats. L'équipe de recherche a relié l'adsorption au comportement de stabilité pour faire progresser la conception de nanoparticules optimales pour les applications d'intérêt. La recherche est maintenant publiée sur Avancées scientifiques .

Les nanoparticules métalliques (NP) ont des applications importantes en catalyse, allant de la production de carburant et de produits chimiques, à l'énergie solaire et chimique. Mais leur stabilité et leur activité catalytique montrent généralement des tendances opposées, où les catalyseurs très actifs ne peuvent fonctionner que pendant quelques cycles. Une caractéristique clé de l'étendue de la fonctionnalité catalytique métallique dépend de la force d'adsorption pour une variété d'espèces sur la surface du catalyseur. Selon le principe Sabatier, développé il y a plus d'un siècle, les catalyseurs actifs doivent lier les adsorbats avec une force de liaison qui n'est ni forte ni faible. Alors que les espèces fortement adsorbées peuvent empoisonner la surface du catalyseur, les réactifs faiblement liés se désorbent facilement. Dans un scénario intermédiaire, les réactifs peuvent se rencontrer et réagir sur les surfaces catalytiques. Les chercheurs utilisent actuellement des méthodes de simulation informatique et de chimie théorique pour stimuler le comportement catalytique des catalyseurs métalliques avec une grande précision afin de guider les expériences ultérieures en laboratoire.

Les efforts de calcul se sont concentrés sur le criblage de différents catalyseurs métalliques pour découvrir l'énergie de liaison "magique" (BE) des espèces chimiques sur les surfaces des catalyseurs pour former des catalyseurs très actifs. La conception in silico de matériaux catalytiquement actifs, cependant, reste à réaliser. Les inconvénients sont principalement dus à des efforts de conception qui négligent souvent la stabilité des catalyseurs. Les catalyseurs NP possèdent également un degré élevé d'hétérogénéité de site sur leur surface pour l'adsorption et la catalyse. Les scientifiques avaient développé des modèles d'adsorption pour relier l'énergie de liaison des adsorbats aux caractéristiques de surface des NP telles que les nombres de coordination (CN) pour comprendre la réponse d'adsorption spécifique au site. Encore, pour plus de clarté, la variation de l'énergie de liaison (BE) implique également des descripteurs secondaires tels que la courbure et les propriétés électroniques des NP.

Dans le travail present, Dean et al. la théorie fonctionnelle de la densité appliquée (DFT) et les techniques d'apprentissage automatique pour dériver un modèle simple basé sur la physique pour capturer avec précision l'énergie d'adsorption variable. Ils ont estimé la variable en fonction de l'environnement local du site d'adsorption à la surface du NP ainsi que du type de NP métallique. Le modèle généralisé pourrait être appliqué à n'importe quelle nanostructure métallique pour comprendre le comportement d'adsorption sur le catalyseur NP et la stabilité du catalyseur; pour cribler et concevoir des catalyseurs pour de nombreuses applications.

Les chercheurs ont d'abord émis l'hypothèse des facteurs les plus importants entre les NP monométalliques et les adsorbats. Ils ont ensuite défini l'énergie de cohésion locale (CE local ) dans les métaux en vrac et les EC capturés dans les NP à l'aide d'un modèle bond-centric, qui a additionné chaque énergie de liaison métal-métal. En appliquant des concepts similaires, they described the stability of binding sites and showed how chemically unsaturated sites (fewer metal-metal bonds) bound adsorbates with an increased strength. The research team focused on describing the binding capacity of a single adsorbate-metal pair. They plotted the DFT-calculated binding energy of carbon monoxide (CO) to a 172-atom gold (Au) cube and a 147-atom gold (Au) cuboctahedron or icosahedron. The team observed a strongly inverse relationship between the local cohesive energy (CE local ) and binding energy (BE) to suggest the strongest adsorption sites to be those exhibiting the weakest local cohesion.

The team further developed their model and performed ordinary least squares (OLS) regression to understand adsorption on monometallic NPs and slabs using three adsorbates [Methyl radical (CH 3 ), CO, hydroxyl radical (OH)] on three different metals (Cu, Ag—silver, Au). The metallic NPs contained different morphologies (172-atom cube, 55- and 147-atom icosahedron and 55- and 147-atom cuboctahedron). They observed that the binding affinity to the adsorbates decreased as the cohesion of the local sites increased. And as the adsorbate's chemical potential increased, they became less stable and bound a metal NP with higher tendency. The direct correlation with the metal Adsorbate (MAD) intuitively described the tendency of the metal to bind the adsorbate.

Dean et al. tested the generalizability of the model and trained the simulation on a single metal or single morphology, although it accurately captured other metals or morphologies as well. The work provided strong evidence that the model captured the underlying physics of the binding interactions, allowing the team to extend the work from non-periodic NPs to periodic slab systems. Computationally inexpensive systems could parameterize the model to extend to larger systems, which was not thus far possible due to the computational costs involved.

Dean et al. then extended the model from monometallic NPs to bimetallic systems. For these experiments, they plotted the BE—trained on monometallic NPs, across several sites of bi-metallic, 55-atom icosahedron NPs (Cu 31 Ag 24 and Cu 22 Ag 33 ). The model very accurately captured trends in adsorption on the bimetallic Cu/Ag NPs as well. This was an interesting result since the scientists had only trained the model on monometallic systems. The results showed the generalizability of the model for both monometallic and bimetallic NPs. Cependant, the team will account additional descriptors including binding site electronegativity to understand the adsorption behavior for bimetallic systems in depth.

Although Dean et al. trained the ML (machine learning) algorithm to capture the adsorption trends of just one type of d9 metal, it could accurately predict the behavior of similar d9 metals (Cu—coper, Ag and Au). When they trained the model on a dataset of CH 3, CO and OH adsorbed to Cu, Ag and Au NPs, they could also capture general adsorption trends for similar elements in other columns of the periodic table. They then improved the complexity of the machine learning techniques to provide additional avenues to improve the model of adsorption.

De cette façon, James Dean and his colleagues developed a simple yet powerful physics-based model to capture trends on the strength of binding interactions between different adsorbates and metal NPs using machine learning techniques. The study was the first to develop an adsorption model that accurately connected the properties of diverse metal NPs with the stability of the adsorption site. The model introduced simple descriptors to capture the adsorption on any site, relative to monometallic and bimetallic NPs. The team generalized the model to effectively stimulate a range of binding interactions, including variations on the types of metals, their composition, sites of adsorption and adsorbates.

Although the team did not test the applicability of the model for ternary systems, the physical properties may remain relevant to accurately model multimetallic systems as well. The adsorption model can accurately describe the binding strength of a variety of molecules on any site of NPs, including alloys. The scientists expect the model to be highly applicable as a screening tool for the high throughput search of potential catalysts.

© 2019 Réseau Science X