[논문 리뷰] Cluster-mining: An approach for determining core structures of metallic nanoparticles from atomic pair distribution function data

Soham Banerjee, Chia-Hao Liu외 7명|arXiv (Cornell University)|2019. 01. 25.

X-ray Diffraction in Crystallography인용 수 15

한 줄 요약

이 논문은 원자 쌍 분포 함수 (PDF) 데이터에서 수천 개의 이산 나노입자 클러스터 모델을 자동으로 생성하고 평가하는 자동화된 방법인 클러스터 마이닝을 소개한다. 단일 복잡한 모델 대신 매우 제약된 모델을 피팅함으로써, 특히 다중 도메인 이코사에드럴 및 디카에드럴 모티프를 포함한 물리적으로 현실적인 핵 구조를 특정하여, 전통적인 fcc 기반 모델에 비해 실험 PDF와 훨씬 더 잘 일치시킨다.

ABSTRACT

We present a novel approach for finding and evaluating structural models of small metallic nanoparticles. Rather than fitting a single model with many degrees of freedom, the approach algorithmically builds libraries of nanoparticle clusters from multiple structural motifs, and individually fits them to experimental PDFs. Each cluster-fit is highly constrained. The approach, called cluster-mining, returns all candidate structure models that are consistent with the data as measured by a goodness of fit. It is highly automated, easy to use, and yields models that are more physically realistic and result in better agreement to the data than models based on cubic close-packed crystallographic cores, often reported in the literature for metallic nanoparticles.

연구 동기 및 목표

• 작은 금속 나노입자를 모델링할 때 전통적인 PDF 분석의 한계를 해결하기 위해, 일반적으로 과도하게 단순화된 fcc 결정 근사치에 의존하는 문제를 다루기 위해.
• 실험 PDF 데이터로부터 금속 나노입자의 가장 물리적으로 현실적인 핵 구조를 체계적이고 자동으로 식별하기 위한 방법을 개발하기 위해.
• 알고리즘적으로 대규모 클러스터 모델 라이브러리를 생성하고 선별함으로써 수동적인 시행착오적 피팅의 비효율성과 주관성을 해결하기 위해.
• 초소형 나노입자에서 실제 원자 배열을 더 잘 반영하는 다중 도메인 모티프인 이코사에드럴 및 디카에드럴 클러스터에 집중함으로써 구조 모델링 정확도를 향상시키기 위해.
• 다양한 상이 존재하는 나노입자 샘플, 특히 소량의 상이 존재하는 경우에도 핵 구조를 견고하게 식별할 수 있도록 하기 위해.

제안 방법

• 맥케이 이코사에드랄, 디카에드랄, 기타 유한 크기의 클러스터를 포함한 다양한 구조 모티프에서 후보 클러스터 구조의 대규모 라이브러리를 알고리즘적으로 생성한다.
• 원자 좌표와 표준 PDF 계산 방법을 사용하여 각 후보 클러스터 모델에서 이론적 PDF를 계산한다.
• 전체 스케일 요소와 평균 결합 길이의 몇 가지 파rameter만 조정하여 각 모델을 매우 제약된 방식으로 정렬함으로써 일치 요소 $ R_w $ 를 최소화한다.
• 이론적 PDF 를 실험 PDF 와 비교하기 위해 가중 잔차 $ R_w $ 를 사용한다. 이는 $ R_w = \frac{\sum w_i |G_{\text{exp}}(r_i) - G_{\text{model}}(r_i)|}{\sum w_i |G_{\text{exp}}(r_i)|} $ 로 정의되며, 여기서 $ G(r) $ 는 PDF 이고 $ w_i $ 는 가중 요소이다.
• 모든 모델의 $ R_w $ 값들을 시각화할 수 있는 클러스터 스크리닝 맵을 사용하여 최적의 피팅 후보를 신속하게 식별한다.
• 단일 상 및 다상 샘플을 포함한 팔라디움 나노입자와 Au144(SR)60 클러스터의 실험 PDF 데이터에 이 방법을 적용하여 정확성과 견고성을 검증한다.

실험 결과

연구 질문

• RQ1 클러스터 마이닝은 실험 PDF 데이터를 피팅할 때 전통적인 fcc 기반 모델에 비해 더 정확한 핵 구조를 식별할 수 있는가?
• RQ2 클러스터 마이닝의 성능은 단일 상 샘플에 비해 다상 샘플에 적용했을 때 어떻게 비교되는가?
• RQ3 클러스터 마이닝은 동일한 샘플 내에서 이코사에드럴 및 디카에드럴 핵과 같은 다양한 구조 모티프를 얼마나 잘 감지하고 구분할 수 있는가?
• RQ4 소량의 상이 존재하는 경우에도 클러스터 마이닝은 나노입자 집합에서 우세한 구조 모티프를 신뢰성 있게 식별할 수 있는가?
• RQ5 클러스터 모델에 고대칭성 또는 편광성 외층(예: 144원자 로페즈-아세베도 모델)을 포함시키면 실험 PDF와의 일치도가 향상되는가?

주요 결과

• 클러스터 마이닝 방법은 Au144(SC6)60에 대해 144원자 로페즈-아세베도 모델을 최적 피팅으로 식별하여 $ R_w = 0.146 $ 을 달성하였으며, 이는 fcc 기반 모델에 비해 뚜렷이 뛰어난 성능을 보였다.
• 약 14%의 디카에드럴 상을 포함하는 Au144(SC12)60 샘플의 경우, 클러스터 마이닝은 55원자 맥케이 이코사에드럴 핵이 주된 상임을 정확히 식별하였고, 디카에드럴 모티프에 대해 명확하지만 감소된 에너지 최소값을 보였다.
• 다상 샘플의 클러스터 스크리닝 맵은 이코사에드럴 및 디카에드럴 클러스터의 $ R_w $ 값이 단일 상의 경우보다 훨씬 가까운 것으로 나타나, 상 공존에 민감함을 보였다.
• 이 방법은 샘플 내의 구조적 다양성을 성공적으로 감지하여, 소량의 상이 존재할 경우에도 이를 식별할 수 있는 능력을 입증하였다.
• 특히 부피가 아닌 다중 편향된 구조를 가진 나노입자에 대해서는 표준 fcc 기반 정렬보다 더 물리적으로 현실적인 모델을 도출하였다.
• 클러스터 마이닝은 로페즈-아세베도 모델과 같은 복잡하고 편광성 클러스터 구조를 타당한 후보로 식별할 수 있었으며, 이러한 구조들은 일반적인 피팅 방법으로서는 자주 간과되는 경향이 있다.