作者:Thamarasee Jeewandara，Phys
（同organic）有机 所进行的几个密度泛函理论计算的初始构型图解
上图:(A) 55原子二十面体，(B) 55原子立方体，(C) 147原子二十面体，(D) 147原子立方体，(E) 172原子立方体上的配位数
多于一个唯一原子共享相同配位数的纳米粒子用数字8-1、8-2、8-3、8-4表示
学分:科学进步，doi: 10
1126/sciadv
aax5101 金属纳米粒子因其在医药、催化、能源和环境等多个领域的应用而受到广泛关注
然而，纳米粒子吸附在表面上的基本性质仍有待了解
詹姆斯·迪恩和美国化学工程系的一个跨学科研究小组
S
通过机器学习引入了一个通用的吸附模型来解释纳米粒子的结构特征、金属成分和不同的吸附质
该模型拟合了大量数据以准确预测单金属和合金基纳米粒子上的吸附趋势
模板简单，并提供了金属和吸附质的快速计算数据
研究小组将吸附与稳定性行为联系起来，为感兴趣的应用推进最佳纳米粒子的设计
这项研究现在发表在《科学进展》杂志上
金属纳米粒子在催化领域有着重要的应用，从燃料和化学产品到太阳能和化学能
但是它们的稳定性和催化活性通常显示相反的趋势，其中非常活性的催化剂只能运行几个循环
金属催化功能程度的一个关键特征取决于催化剂表面对各种物质的吸附强度
根据一个多世纪前发展起来的萨巴蒂埃原理，活性催化剂应该以既不强也不弱的结合强度结合被吸附物
虽然强吸附的物质会使催化剂表面中毒，但弱结合的反应物容易脱附
在中间方案中，反应物可以彼此相遇并在催化表面上反应
研究人员目前使用计算模拟和理论化学方法来模拟金属催化剂上的催化行为，并以很高的精确度来指导实验室中的后续实验
计算工作集中于筛选不同的金属催化剂，以发现催化剂表面化学物质的“神奇”结合能，从而形成非常活性的催化剂
然而，催化活性材料的计算机设计仍有待实现
缺点主要是由于设计工作经常忽略催化剂的稳定性
NP催化剂在其表面上也具有高度的不均匀性，用于吸附和催化
科学家开发了吸附模型，将吸附质的结合能与纳米粒子的表面特征(如配位数)联系起来，以了解特定位置的吸附响应
然而，为了清楚起见，结合能的变化还需要次要的描述符，如曲率和纳米粒子的电子性质
作为吸附能描述符的局部内聚能的证明
一氧化碳在金纳米粒子的不同位置上的铍与中心的关系:172原子立方体(矩形)、147原子二十面体(六边形)和147原子立方体(菱形)
核电站上不同位置的热图，分别对应它们的一氧化碳当量和一氧化碳当量
配色方案遵循从最强一氧化碳到最弱一氧化碳(紫色)以及从最弱一氧化碳到最强一氧化碳(红色)的范围
学分:科学进步，doi: 10
1126/sciadv
aax5101 在目前的工作中，迪恩等人
应用密度泛函理论(DFT)和机器学习技术推导出一个简单的基于物理的模型，以准确捕捉变化的吸附能量
他们将变量估计为氮磷表面局部吸附点环境以及金属氮磷类型的函数
广义模型可应用于任何金属纳米结构，以了解纳米粒子催化剂上的吸附行为和催化剂的稳定性；为众多应用筛选和设计催化剂
研究人员首先假设了单金属纳米粒子和吸附质之间最重要的因素
然后，他们定义了大块金属中的局部内聚能(CElocal)，并使用以键为中心的模型捕获了纳米粒子中的CEs，该模型将每一个金属-金属键的能量相加
通过应用类似的概念，他们描述了结合位点的稳定性，并展示了化学不饱和位点(更少的金属-金属键)如何以更高的强度结合吸附质
研究小组专注于描述单个吸附质-金属对的结合能力
他们绘制了一氧化碳与一个172原子金立方体和一个147原子金立方体或二十面体的结合能
研究小组观察到局部结合能和结合能之间有很强的反比关系，表明最强的吸附位点是那些表现出最弱局部结合的位点
该团队进一步开发了他们的模型，并使用三种吸附质[甲基(CH3)、一氧化碳、羟基(OH)]在三种不同金属(铜、银-银、金)上进行了普通最小二乘法(OLS)回归，以了解在单金属纳米粒子和平板上的吸附
金属纳米粒子包含不同的形貌(172原子立方体，55和147原子二十面体和55和147原子立方十面体)
他们观察到，随着局部位点内聚力的增加，对吸附质的结合亲和力降低
随着吸附质化学势的增加，它们变得不太稳定，并以更高的趋势结合金属纳米粒子
与金属吸附质的直接关联直观地描述了金属与吸附质结合的趋势
模型预测的各种金属体系上吸附质结合能与密度泛函理论结合能的宇称图
该模型在PBE密度泛函理论数据的基础上对纳米粒子(金/银/铜，55至172个原子)进行了训练和测试，其中包括纳米粒子内聚能(CENP)项
该模型是在PBE密度泛函理论数据基础上训练和测试的，不包括CENP项(金/银/铜，55至172个原子)
该模型是根据PBE核电厂的密度泛函理论数据(金/银/铜，55至172个原子)进行训练的，并针对金属表面顶部吸附的密度泛函理论数据(金/银/铜)进行了测试
(四)该模型经过训练和测试，使用的是来自平板数据集的金属表面(金/银/铜)顶部吸附的快速傅立叶变换数据
学分:科学进步，doi: 10
1126/sciadv
aax5101 Dean等人
测试模型的可推广性，并在单一金属或单一形态上训练模拟，尽管它也精确地捕获了其他金属或形态
这项工作提供了强有力的证据，证明该模型捕捉到了束缚相互作用的基本物理，使团队能够将工作从非周期性的纳米粒子扩展到周期性的平板系统
计算成本低的系统可以将模型参数化，以扩展到更大的系统，但由于涉及计算成本，这迄今为止是不可能的
Dean等人
然后将模型从单金属纳米粒子扩展到双金属系统
在这些实验中，他们绘制了在单金属纳米粒子上训练的铍，穿过双金属、55原子二十面体纳米粒子(Cu31Ag24和Cu22Ag33)的几个位置
该模型还非常准确地捕捉了双金属铜/银纳米粒子的吸附趋势
这是一个有趣的结果，因为科学家们只在单金属系统上训练模型
结果表明了该模型对单金属和双金属纳米粒子的普适性
然而，该团队将考虑额外的描述符，包括结合位点电负性，以深入理解双金属系统的吸附行为
目前开发的模型和二十面体双金属(Cu55 XaGx，x = 24，33)核动力源的密度泛函计算之间的宇称图
该模型训练了单金属银、铜和金纳米粒子对三氯、一氧化碳和氢的吸附，能够捕捉双金属纳米粒子的吸附
两个纳米粒子的图像如插图所示，铜和银原子分别被染成棕色和灰色
学分:科学进步，doi: 10
1126/sciadv
aax5101 虽然迪恩等人
通过训练机器学习算法捕捉一种d9金属的吸附趋势，可以准确预测类似d9金属(铜、银、金)的吸附行为
当他们在吸附在铜、银和金纳米粒子上的CH3、一氧化碳和氢氧化物数据集上训练模型时，他们还可以捕捉元素周期表其他列中类似元素的一般吸附趋势
然后，他们改进了机器学习技术的复杂性，为改进吸附模型提供了额外的途径
这样，詹姆斯·迪恩和他的同事开发了一个简单而强大的基于物理的模型，利用机器学习技术捕捉不同吸附质和金属纳米粒子之间结合相互作用的强度趋势
该研究首次开发了一种吸附模型，将不同金属纳米粒子的性质与吸附位点的稳定性准确地联系起来
相对于单金属和双金属纳米粒子，该模型引入了简单的描述符来捕捉任何位置的吸附
研究小组对该模型进行了概括，以有效地刺激一系列结合相互作用，包括金属类型、成分、吸附位点和吸附质的变化
左:三描述符模型扩展到平板数据集
模型在铜、银和金表面的平板数据集上训练，并针对来自平板数据集的铑、铱、镍、钯、铂、铜、银和金表面进行测试
当为数据块的每一列单独训练时的等效模型，仍然使用板数据集
每种情况下的误差线都是训练集的10倍交叉验证RMSE
右:将模型扩展到铑和NH3
(一)模型参数化了我们的银，铜，金纳米粒子吸附三氯甲烷，一氧化碳和氢氧化物，并测试了铑和NH3
(二)铑和NH3的经验(常数)修正等效模型
在NH3与铑结合的情况下，两种校正同时应用，并用双色点表示
(三)二十面体/立方体Rh55吸附CH3、一氧化碳、氢氧化物和氨气的模型
学分:科学进步，doi: 10
1126/sciadv
aax5101 虽然研究小组没有测试该模型对三元体系的适用性，但物理性质可能仍然与精确模拟多金属体系有关
吸附模型可以准确描述各种分子在纳米粒子任何位置的结合强度，包括合金
科学家们期望该模型作为高通量搜索潜在催化剂的筛选工具具有高度的适用性
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
