[論文レビュー] Cluster-mining: An approach for determining core structures of metallic nanoparticles from atomic pair distribution function data

Soham Banerjee, Chia-Hao Liu+7 more|arXiv (Cornell University)|Jan 25, 2019

X-ray Diffraction in Crystallography被引用数 15

ひとこと要約

本論文は、原子対分布関数（PDF）データから数千もの離散的ナノ粒子クラスター構造を自動生成・評価する、クラスターミニングと呼ばれる自動化手法を導入する。単一の複雑なモデルではなく、非常に制約の強いモデルを適合させることで、物理的に現実的なコア構造、特にマルチドメインのイコサヘドラルおよびデカヘドラルモチーフを同定し、従来のfccベースのモデルよりも顕著に実験PDFと整合性の高い結果をもたらす。

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.

研究の動機と目的

• 小さな金属ナノ粒子のモデリングにおいて、通常のfccc結晶近似に依存する従来のPDF解析の限界を解消すること。
• 実験的PDFデータから金属ナノ粒子の最も物理的に現実的なコア構造を系統的かつ自動的に同定するアプローチを開発すること。
• 手動による試行錯誤の適合手法の非効率性と主観性を克服し、アルゴリズム的に大規模なクラスター構造ライブラリを生成・スクリーニングすること。
• イコサヘドラルおよびデカヘドラルクラスターなどのマルチドメインモチーフに焦点を当てることで、超微小ナノ粒子における実際の原子配列をよりよく反映する構造モデリング精度の向上。
• マルチフェーズナノ粒子試料、特に微量相を含むものに対しても、コア構造を堅牢に同定できること。

提案手法

• マッケイのイコサヘドロン、デカヘドロン、その他の有限サイズのクラスターを含む、複数の構造的モチーフから、候補クラスター構造の大規模ライブラリをアルゴリズム的に生成する。
• 原子座標と標準的なPDF計算手法を用いて、各候補クラスター構造から理論的PDFを計算する。
• 各モデルについて、全体的なスケール係数と平均結合長のわずかなパラメータ調整のみで、一致要因 $ R_w $ を最小化する、非常に制約の強いリファインメントを実施する。
• 実験的PDFと理論的PDFの比較に、重み付き残差 $ R_w $ を用いる。$ R_w $ は $ R_w = \frac{\sum w_i |G_{\text{exp}}(r_i) - G_{\text{model}}(r_i)|}{\sum w_i |G_{\text{exp}}(r_i)|} $ で定義され、$ G(r) $ はPDF、$ w_i $ は重み係数である。
• すべてのモデルの $ R_w $ 値を可視化するクラスタースクリーンマップを用い、最も適合する候補を迅速に特定する。
• Pdナノ粒子およびAu144(SR)60クラスターの実験的PDFデータ（単相およびマルチフェーズ試料を含む）にこの手法を適用し、堅牢性および正確性を検証する。

実験結果

リサーチクエスチョン

• RQ1 クラスターミニングは、実験的PDFデータに適合させる際、従来のfccベースのモデルよりもより正確なコア構造を同定できるか？
• RQ2 単相とマルチフェーズナノ粒子試料に適用した場合、クラスターミニングの性能はどのように異なるか？
• RQ3 同じ試料内で、イコサヘドラルおよびデカヘドラルコアといった異なる構造的モチーフを、クラスターミニングはどの程度正確に検出・区別できるか？
• RQ4 微量相が存在する場合でも、クラスターミニングはナノ粒子アンサンブルの支配的構造モチーフを信頼性高く同定できるか？
• RQ5 クラスター・モデルに高対称性またはキラルな外層（例：144原子のLopez-Acevedoモデル）を含めることで、実験的PDFとの一致が向上するか？

主な発見

• クラスターミニング手法により、Au144(SC6)60に対して144原子のLopez-Acevedoモデルが最適適合構造として同定され、$ R_w = 0.146 $ を達成した。これは、fccベースのモデルよりも顕著に優れた性能を示した。
• 約14％のデカヘドラル相を含むAu144(SC12)60試料では、クラスターミニングが55原子のマッケイのイコサヘドラルコアを支配的相として正しく同定した。また、デカヘドラルモチーフに対しても明確だが、やや低いエネルギー極小が観察された。
• マルチフェーズ試料のクラスタースクリーンマップでは、イコサヘドラルおよびデカヘドラルクラスターの $ R_w $ 値が単相試料と比べてはるかに近づいており、相の共存に対する感受性が示された。
• この手法は、試料内の構造的多様性を成功裏に検出でき、微量相が存在する場合でもその同定能力を示した。
• 特に、バルク状態でない複数の-twinned構造を示すナノ粒子に対して、標準的なfccベースのリファインメントよりも物理的に現実的なモデルを提供した。
• クラスターミニングは、従来の適合手法がしばしば見過ごす複雑でキラルなクラスター構造（例：Lopez-Acevedoモデル）を有効な候補として同定できることを示した。