[论文解读] 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 15

一句话总结

本文提出聚类挖掘（cluster-mining），一种自动化方法，可从原子对分布函数（PDF）数据中生成并评估数千个离散纳米粒子聚集体模型。通过拟合高度受约束的模型而非单一复杂模型，该方法识别出物理上合理的核心结构——特别是多域二十面体和十面体结构——与传统面心立方（fcc）模型相比，其与实验PDF的吻合度显著提高。

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.

研究动机与目标

• 为解决传统PDF分析在建模小尺寸金属纳米粒子时的局限性，后者常依赖于过度简化的fcc晶体近似。
• 开发一种系统化、自动化的策略，从实验PDF数据中识别金属纳米粒子最符合物理现实的核心结构。
• 通过算法生成并筛选大规模聚集体模型库，克服人工试错拟合效率低下和主观性强的问题。
• 通过聚焦于二十面体和十面体等多域结构，提升结构建模的准确性，这些结构更能反映超小尺寸纳米粒子中的实际原子排布。
• 即使在多相纳米粒子样品中（包括存在少量相的情况），也能实现核心结构的稳健识别。

提出的方法

• 从多种结构基元（包括Mackay二十面体、十面体及其他有限尺寸聚集体）出发，算法化生成大量候选聚集体结构库。
• 利用原子坐标和标准PDF计算方法，从每个候选聚集体模型计算理论PDF。
• 通过仅调整少数几个参数（具体为整体标度因子和平均键长）对每个模型执行高度受约束的精修，以最小化拟合因子 $ R_w $。
• 使用加权残差 $ R_w $ 将每个理论PDF与实验PDF进行比较，其定义为 $ R_w = \frac{\sum w_i |G_{\text{exp}}(r_i) - G_{\text{model}}(r_i)|}{\sum w_i |G_{\text{exp}}(r_i)|} $，其中 $ G(r) $ 为PDF，$ w_i $ 为权重因子。
• 利用聚类筛选图可视化所有模型的 $ R_w $ 值，实现对最佳拟合候选者的快速识别。
• 将该方法应用于钯纳米粒子和Au144(SR)60聚集体的实验PDF数据，包括单相和多相样品，以验证其鲁棒性和准确性。

实验结果

研究问题

• RQ1 在拟合实验PDF数据时，聚类挖掘能否识别出比传统fcc基模型更准确的金属纳米粒子核心结构？
• RQ2 当应用于单相与多相纳米粒子样品时，聚类挖掘的性能表现有何差异？
• RQ3 聚类挖掘在同一样品中检测并区分二十面体与十面体核心等不同结构基元的能力如何？
• RQ4 当存在少量相时，聚类挖掘能否可靠识别出纳米粒子集合中的主导结构基元？
• RQ5 在聚集体模型中引入更高对称性或手性外层（如144原子的Lopez-Acevedo模型）是否能提升与实验PDF的吻合度？

主要发现

• 聚类挖掘方法将144原子的Lopez-Acevedo模型识别为Au144(SC6)60的最佳拟合结构，其 $ R_w = 0.146 $，显著优于fcc基模型。
• 对于含有约14%十面体相的Au144(SC12)60样品，聚类挖掘正确识别出55原子Mackay二十面体核心为优势相，且十面体基元表现出清晰但减弱的能量极小值。
• 多相样品的聚类筛选图显示，二十面体与十面体聚集体的 $ R_w $ 值比单相情况更接近，表明该方法对相共存具有敏感性。
• 该方法成功检测到样品中结构多样性，证明其在存在少量相时仍能识别出少数相。
• 与标准fcc基精修相比，该方法生成了更具物理现实意义的模型，尤其适用于具有非体相、多重孪生结构的纳米粒子。
• 聚类挖掘使复杂且具有手性的聚集体结构（如Lopez-Acevedo模型）成为可行候选，而这些结构常被传统拟合方法所遗漏。