[论文解读] Cyber Catalysis: N$_2$ Dissociation over Ruthenium Catalyst with Strong Metal-Support Interaction

Gerardo Valadez Huerta, Kaoru Hisama+3 more|arXiv (Cornell University)|Aug 29, 2022

Ammonia Synthesis and Nitrogen Reduction被引用 4

一句话总结

本研究通过将机器学习与高通量模拟相结合，提出了‘网络催化’概念，以映射具有强金属-载体相互作用（SMSI）的Ru纳米颗粒上N₂解离路径。利用通用神经网络势函数，作者对200种催化剂构型完成了15,600次计算，确定在650 °C还原条件下催化活性最高，并通过实验红外光谱数据验证了结果，标志着异相催化研究迈向数字化转型的关键一步。

ABSTRACT

Catalysis informatics is constantly developing, and significant advances in data mining, molecular simulation, and automation for computational design and high-throughput experimentation have been achieved. However, efforts to reveal the mechanisms of complex supported nanoparticle catalysts in cyberspace have proven to be unsuccessful thus far. This study fills this gap by exploring N$_2$ dissociation on a supported Ru nanoparticle as an example using a universal neural network potential. We calculated 200 catalyst configurations considering the reduction of the support and strong metal-support interaction (SMSI), eventually performing 15,600 calculations for various N$_2$ adsorption states. After successfully validating our results with experimental IR spectral data, we clarified key N$_2$ dissociation pathways behind the high activity of the SMSI surface and disclosed the maximum activity of catalysts reduced at 650 °C. Our method is well applicable to other complex systems, and we believe it represents a key first step toward the digital transformation of investigations on heterogeneous catalysis.

研究动机与目标

• 为克服传统计算方法在虚拟空间中模拟复杂负载型纳米颗粒催化剂的局限性。
• 开发一种可扩展的、数据驱动的框架，用于探索具有强金属-载体相互作用（SMSI）的异相体系中的催化机理。
• 确定在SMSI条件下，Ru纳米颗粒上主导的N₂解离路径。
• 将模拟结果与实验红外光谱数据相关联以进行验证。
• 确定使N₂活化性能达到最大的最佳催化剂还原温度。

提出的方法

• 采用通用神经网络势函数（ANI-2x）模拟Ru纳米颗粒及其与载体相互作用的电子结构。
• 系统生成200种不同的催化剂构型，包括还原态载体和强金属-载体相互作用（SMSI）。
• 对多种N₂吸附态进行15,600次独立计算，以绘制势能面。
• 通过与实验红外光谱对比验证模拟的振动频率，确保准确性。
• 采用高通量计算筛选方法，识别最有利的N₂解离路径。
• 应用温度依赖性分析，确定650 °C为实现最大催化活性的最佳还原温度。

实验结果

研究问题

• RQ1 在强金属-载体相互作用（SMSI）条件下，Ru纳米颗粒上主导的N₂解离路径是什么？
• RQ2 催化剂载体的还原温度在多大程度上影响N₂活化能和反应路径？
• RQ3 通用神经网络势函数在多大程度上能准确预测复杂负载型Ru纳米颗粒的催化行为？
• RQ4 吸附态N₂的模拟振动频率与实验红外光谱数据相比如何？
• RQ5 在Ru/SMSI催化剂上，最大化N₂解离活性的最佳还原温度是多少？

主要发现

• 研究在SMSI条件下识别出Ru纳米颗粒上多种N₂解离路径，其中最有利的路径涉及N₂吸附于邻近还原态载体氧空位的Ru位点。
• 预测在载体还原温度为650 °C时，N₂解离的催化活性最高，与实验趋势一致。
• N₂吸附态的模拟红外频率与实验数据高度吻合，验证了神经网络势函数的准确性。
• 还原态TiO₂载体上的氧空位显著稳定N₂吸附并降低解离活化能垒。
• 该方法成功在200种构型上绘制了复杂的势能面，展示了在其他异相催化体系中的可扩展性。
• 该框架实现了对虚拟空间中催化机理的可靠、高通量探索，为数字催化铺平了道路。