[论文解读] Surface roughening in nanoparticle catalysts

Cameron J. Owen, Nicholas Marcella+8 more|arXiv (Cornell University)|Jul 18, 2024

nanoparticles nucleation surface interactions被引用 10

一句话总结

本文将原位光谱学与基于机器学习的力场驱动分子动力学结合起来，揭示反应性环境会使纳米粒子表面变得非晶化和粗糙化，而核心保持像块状材料一样，挑战在 CO 暴露下 Pt 纳米粒子理想化晶面模型。

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.

研究动机与目标

• 激发对实际纳米粒子表面在反应性条件下的定量原子级理解。
• 通过使用机器学习力场捕捉时间与长度尺度动力学，克服传统薄片模型的局限性。
• 将表面结构演化与光谱信号相关联，以解释 CO 环境下催化剂的行为。
• 证明贵金属纳米粒子表面在反应性环境中并不维持理想的晶面。
• 提供一个将实验与 ML 辅助仿真相结合的催化剂设计框架。

提出的方法

• 使用 FLARE 主动学习为 Pt–CO 系统构建机器学习力场（MLFF）。
• 从主动学习的 DFT 数据训练 Allegro 等变神经网络 MLFF。
• 在不同温度和压力下，对有无 CO 的 Pt 纳米粒子进行反应性 ML-MD 模拟。
• 从模拟中计算基于 EXAFS 与 DRIFTS 的量，以便直接与实验比较。
• 在不同条件下可视化表面演化并量化 Pt-Pt 配位与原子间距离。
• 表明 ML-MD 能再现 EXAFS 趋势并通过表面非晶化解释 DRIFTS 的位移。

实验结果

研究问题

• RQ1 在 CO 环境下，与无 CO 条件相比，CO 大气如何改变 Pt 纳米粒子的表面结构？
• RQ2 机器学习力场是否能在现实时间/长度尺度上捕捉纳米粒子动态重构？
• RQ3 实验上观测到的表面重构（DRIFTS、EXAFS）是否源于非晶化和表面配位不足层？
• RQ4 Pt 纳米粒子的体核是否受反应性环境影响，还是重构仍然局部在表面？
• RQ5 研究发现如何批判或完善催化剂设计中对理想化晶面模型的使用？

主要发现

• CO 暴露和温度驱动极端的表面重构，产生无配位的非晶表层。
• EXAFS 指出没有显著的体相 Pt 重排，支持表面局部重构模型。
• 使用 Allegro MLFF 的 ML‑MD 在各种条件下再现实验观测到的 Pt–Pt 距离和配位趋势。
• 在无 CO 环境中，表面迅速重构为准（111）阶梯；而有 CO 时，在纳秒级内产生高度无配位、无序的表面。
• 表面非晶化解释 DRIFTS 特征的位移，并协调表面与体相光谱信号。
• 研究表明真实纳米粒子催化剂不能仅用理想化晶面来充分描述，强调在现实条件下进行原子级仿真的必要性。