Unveiling the Activity Descriptors for Metal Nanoclusters-N4C as Electrocatalysts through Machine Learning and Experimental Validation

تعتمد تقنيات الطاقة النظيفة، من خلايا الوقود إلى بطاريات "معدن-هواء" القابلة لإعادة الشحن، على عملية كيميائية تسمى تفاعل تطور الأكسجين لتوليد الطاقة. هذا التفاعل ضروري لتقسيم الماء إلى هيدروجين وأكسجين، وهي خطوة رئيسية في تخزين الطاقة المتجددة. ومع ذلك، فإن هذه العملية بطيئة وكسولة بطبيعتها، مما يتطلب كمية كبيرة من الطاقة الإضافية، المعروفة باسم "الجهد الزائد"، للبدء. ولجعل هذه التقنيات عملية، يستخدم العلماء المحفزات — وهي مواد تسرع التفاعل دون أن تُستهلك. ولعقود من الزمن، كانت أفضل المحفزات مصنوعة من معادن نادرة وباهظة الثمن مثل الإريديوم والروثينيوم. وقد دفع التوجه العالمي نحو الطاقة المستدامة الباحثين للبحث عن بدائل أرخص وأكثر وفرة، مما قادهم للنظر في عناقيد الذرات المعدنية التي يبلغ حجمها بضعة نانومترات فقط.

هذه العناقيد المعدنية الصغيرة رائعة لأنها لا تتصرف مثل المعادن الضخمة التي نراها في حياتنا اليومية. فعندما يتم اختزال المعدن إلى عنقود يحتوي على حفنة فقط من الذرات، تتغير خصائصه الإلكترونية بشكل جذري. إن إضافة ذرة واحدة أو إزالتها يمكن أن يغير كيفية تفاعل العنقود مع المواد الكيميائية الأخرى، مما يجعل سلوكه حساساً للغاية ويصعب التنبؤ به. وقد كان عدم القدرة على التنبؤ هذا عائقاً طويلاً أمام تصميم محفزات أفضل. كما أن أساليب التجربة والخطأ التقليدية بطيئة ومكلفة للغاية للتنقل في هذا المشهد المعقد، والقواعد البسيطة التي تعمل مع المواد الأكبر حجماً غالباً ما تفشل عند تطبيقها على هذه الأنظمة الصغيرة والمحصورة.

لقد تصدى فريق من الباحثين لهذا التحدي عبر الجمع بين المحاكاة الحاسوبية المتقدمة والتعلم الآلي لفك شفرة نشاط العناقيد المعدنية النانوية. وركزوا على عناقيد مكونة من الحديد والكوبالت والنيكل، مدعومة بشريحة من الجرافين المطعّم بالنيتروجين، وهي مادة معروفة بقوتها وقدرتها على تثبيت الذرات المعدنية في مكانها. قام الباحثون ببناء مكتبة رقمية تضم 62 هيكلاً مختلفاً من العناقيد النانوية، تتفاوت أحجامها من 5 إلى 38 ذرة. ثم استخدموا الحوسبة عالية الأداء لمحاكاة كيفية أداء كل هيكل من هذه الهياكل أثناء تفاعل تطور الأكسجين، مع تقييم أكثر من 200 موقع سطحي متميز يمكن أن يحدث فيه التفاعل.

وكشفت عمليات المحاكاة أن عنقوداً معيناً يحتوي على 19 ذرة نيكل، مثبت على الجرافين المطعّم بالنيتروجين، كان المرشح الأكثر واعدة. فقد أظهر هذا العنقود، الذي تم تحديده باسم Ni19، كفاءة نظرية تشير إلى قدرته على دفع التفاعل بأقل قدر من فقدان الطاقة. ووجد الباحثون أن نشاط هذه العناقيد لا يمكن تفسيره بقاعدة واحدة بسيطة، مثل متوسط طاقة إلكترونات المعدن؛ بل يعتمد الأداء على تداخل معقد للعديد من العوامل. ولإدراك هذا التعقيد، لجأ الفريق إلى التعلم الآلي، وهو فرع من فروع الذكاء الاصطناعي يتفوق في إيجاد الأنماط في مجموعات البيانات الكبيرة. فقد قاموا بتدريب عدة نماذج حاسوبية للتنبؤ بطاقة التفاعل بناءً على الخصائص الإلكترونية للعناقيد.

ومن بين مختلف الخوارزميات التي تم اختبارها، أثبت نموذج يُعرف باسم "غابة العشوائية" (Random Forest Regression) أنه الأكثر دقة. نجح هذا النموذج في التنبؤ بطاقة التفاعل بدرجة عالية من الموثوقية، متفوقاً على الطرق الخطية التقليدية التي تفترض وجود علاقة خط مستقيم بين السبب والنتيجة. وأظهر التحليل أن العامل الأكثر حرجاً المؤثر على أداء المحفز هو سلوك مدارات إلكترونية محددة بالقرب من سطح العنقود المعدني. هذه المدارات، وهي المناطق التي يُحتمل وجود الإلكترونات فيها، تحدد مدى قوة تمسك المحفز بالجزيئات الوسيطة المتكونة أثناء التفاعل. وقد حدد نموذج التعلم الآلي أن الترتيب الدقيق وطاقة هذه الحالات الإلكترونية، وخاصة تلك ذات اتجاه دوران (spin) محدد، كانت المحركات الأساسية للنشاط التحفيزي.

ولتأكيد صحة تنبؤاتهم الحاسوبية، قام الباحثون بتخليق أفضل المحفزات أداءً في المختبر. فقد صنعوا مادة تحتوي على عناقيد نانوية من النيكل مدعومة بالكربون المطعّم بالنيتروجين، واختبروا قدرتها على دفع تفاعل تطور الأكسجين. وجاءت النتائج التجريبية مطابقة للتوقعات النظرية بشكل وثيق. تطلب المحفز الذي تم تخليقه جهداً زائداً قدره 460 ميلي فولت للوصول إلى كثافة تيار قياسية، وهو مستوى أداء يضاهي محفز أكسيد الروثينيوم التجاري باهظ الثمن المستخدم حالياً كمعيار مرجعي. علاوة على ذلك، أظهرت المادة استقراراً ممتازاً، حيث حافظت على نشاطها لفترات طويلة من الاختبار دون تدهور ملحوظ.

كما أوضحت الدراسة لماذا تفشل بعض الأساليب الشائعة لفهم المحفزات في هذا السياق تحديداً. فقد أظهر الباحثون أن الارتباطات الخطية البسيطة، التي غالباً ما تنجح مع الأسطح المعدنية الأكبر، لم تستطع التنبؤ بدقة بسلوك هذه العناقيد النانوية. فالطبيعة الفريدة والمنفصلة لمستويات طاقة الإلكترونات في مثل هذه الأنظمة الصغيرة تعني أن واصفاً واحداً ليس كافياً لاستيعاب تفاعليتها. وبدلاً من ذلك، يتطلب الأمر نهجاً متعدد الأوجه يأخذ في الاعتبار البنية الإلكترونية التفصيلية. ومن خلال الربط الناجح بين المحاكاة الحاسوبية، ورؤى التعلم الآلي، والتحقق التجريبي، قدم الفريق خارطة طريق واضحة لفهم وتصميم هذه المواد المعقدة.

يبرهن هذا العمل على أنه من الممكن فك رموز التعقيد الإلكتروني للعناقيد المعدنية واستخدام تلك المعرفة لتصميم محفزات فعالة ومتوفرة في الأرض. إن تحديد العنقود القائم على النيكل كمرشح متفوق يوفر مساراً قابلاً للتطبيق لتقليل تكلفة إنتاج الهيدروجين الأخضر. كما أن الجمع بين المسح عالي الإنتاجية والتعلم الآلي يقدم أداة قوية لتسريع اكتشاف مواد جديدة، والانتقال من مرحلة التخمين إلى عملية التصميم العقلاني. وتشير النتائج إلى أنه من خلال ضبط الخصائص الإلكترونية للعناقيد المعدنية بدقة على المستوى الذري، يمكن للعلماء ابتكار محفزات تتسم بالنشاط العالي والمتانة في آن واحد، مما يمهد الطريق لاعتماد أوسع لتقنيات الطاقة النظيفة.