[논문 리뷰] Surface roughening in nanoparticle catalysts

Cameron J. Owen, Nicholas Marcella외 8명|arXiv (Cornell University)|2024. 07. 18.

nanoparticles nucleation surface interactions인용 수 10

한 줄 요약

이 논문은 현장 분광학을 기계학습 힘장–구동 분자 동역학과 결합하여, 반응성 환경이 나노입자 표면을 비정질화하고 거칠게 만들고, 코어는 벌크 유사하게 유지되어 고전적 결정면 모델에 도전한다는 것을 CO 노출 하의 Pt 나노입자에 대해 보여준다.

ABSTRACT

Supported metal nanoparticle (NP) catalysts are vital for the sustainable production of chemicals, but their design and implementation are limited by the ability to identify and characterize their structures and atomic sites that are correlated with high catalytic activity. Identification of these ''active sites'' has relied heavily on extrapolation to supported NP systems from investigation of idealized surfaces, experimentally using single crystals or supported NPs which are always modelled computationally using slab or regular polyhedra models. However, the ability of these methods to predict catalytic activity remains qualitative at best, as the structure of metal NPs in reactive environments has only been speculated from indirect experimental observations, or otherwise remains wholly unknown. Here, by circumventing these limitations for highly accurate simulation methods, we provide direct atomistic insight into the dynamic restructuring of metal NPs by combining in situ spectroscopy with molecular dynamics simulations powered by a machine learned force field. We find that in reactive environments, NP surfaces evolve to a state with poorly defined atomic order, while the core of the NP may remain bulk-like. These insights prove that long-standing conceptual models based on idealized faceting for small metal NP systems are not representative of real systems under exposure to reactive environments. We show that the resultant structure can be elucidated by combining advanced spectroscopy and computational tools. This discovery exemplifies that to enable faithful quantitative predictions of catalyst function and stability, we must move beyond idealized-facet experimental and theoretical models and instead employ systems which include realistic surface structures that respond to relevant physical and chemical conditions.

연구 동기 및 목표

• 반응 조건에서 실제 나노입자 표면에 대한 정량적 원자 수준 이해를 촉진한다.
• 기계 학습 힘장으로 시간 및 길이 스케일 다이나믹스를 포착하여 전통적인 슬래브 모델의 한계를 극복한다.
• CO 환경에서 촉매 거동을 설명하기 위해 표면 구조 진화와 분광 신호를 상관 관계화한다.
• 귀금속 나노입자 표면이 반응 환경에서 이상적인 면 결정을 유지하지 않는다는 것을 입증한다.
• 촉매 설계를 위한 실험과 ML 보조 시뮬레이션을 연결하는 프레임워크를 제시한다.

제안 방법

• Pt–CO 시스템을 위한 머신러닝 힘장(MLFF)을 구축하기 위해 FLARE 활성학습을 사용한다.
• 활성학습 DFT 데이터로 Allegro 등가-대칭 신경망 MLFF를 훈련한다.
• 온도와 압력에 걸쳐 CO가 있는 경우와 없는 Pt 나노입자에 대한 반응형 ML-MD 시뮬레이션을 수행한다.
• 시뮬레이션으로부터 EXAFS 및 DRIFTS 기반 양을 계산하여 직접 실험과 비교한다.
• 다양한 조건에서 표면 진화를 시각화하고 Pt-Pt 결합 및 원자 간 거리의 양상을 정량화한다.
• ML-MD가 EXAFS 경향을 재현하고 표면 비정질화를 통해 DRIFTS 이동을 설명함을 보여준다.

실험 결과

연구 질문

• RQ1 CO 분위기가 CO-free 조건에 비해 Pt 나노입자의 표면 구조를 어떻게 변화시키는가?
• RQ2 현실적인 시간/길이 스케일 전반에 걸친 나노입자의 동적 재구성을 기계 학습 힘장이 포착할 수 있는가?
• RQ3 실험적으로 관찰된 표면 재구성(DRIFTS, EXAFS)이 비정질화 및 비배위 표면층에서 기인하는가?
• RQ4 Pt 나노입자의 벌크 코어가 반응 환경의 영향을 받는가, 아니면 재구성은 표면에 국한되는가?
• RQ5 발견이 촉매 설계에서 이상적 면 모델의 사용을 어떻게 비판하거나 정교화하는가?

주요 결과

• CO 노출과 온도가 극심한 표면 재구성을 유도하여 비배위적이고 비정질 표면층을 생성한다.
• EXAFS는 벌크 Pt의 현저한 재배치를 시사하지 않으며 표면-지역 재구성 모델을 지지한다.
• Allegro MLFF를 이용한 ML‑MD는 다양한 조건에서 실험적으로 관찰된 Pt–Pt 거리와 배위 경향을 재현한다.
• CO-free 환경에서 표면은 빠르게 의사-(111) 계단으로 재구성되지만, CO 존재 시 수나노초 내에 매우 배위가 낮고 무질서한 표면이 생성된다.
• 표면 비정질화는 DRIFTS 특징의 이동을 설명하고 표면 대 벌크 분광 신호를 일치시킨다.
• 이 연구는 실제 나노입자 촉매가 이상적 면으로만 설명될 수 없음을 보여주고 현실적인 조건하에서의 원자 수준 시뮬레이션의 필요성을 강조한다.