Transition States Energies from Machine Learning: An Application to Reverse Water-Gas Shift on Single-Atom Alloys

Dit onderzoek presenteert een machine learning-model op basis van Gaussian process regression en de Wasserstein Weisfeiler-Lehman-grafiekkernel dat de nauwkeurigheid van overgangstoestandsenergieën en katalytische activiteitsvoorspellingen voor de reverse water-gas shift-reactie op single-atom alloy-katalysatoren aanzienlijk verbetert ten opzichte van traditionele schalingsrelaties.

De kern

Titel: De "Snelheidsmeter" voor Chemische Recepten: Hoe AI helpt bij het vinden van de perfecte katalysator

Stel je voor dat je een gigantische keuken hebt, vol met duizenden verschillende potten en pannen (de materialen). Je wilt een heel specifieke maaltijd bereiden: het omzetten van CO₂ (een broeikasgas) in bruikbare brandstof en water. Dit is de Reverse Water-Gas Shift (RWGS) reactie.

Het probleem? In de chemie is het vinden van de perfecte "pan" (katalysator) extreem moeilijk en duur. Om te weten of een pan goed werkt, moet je precies weten hoeveel energie er nodig is om de ingrediënten om te draaien. De moeilijkste stap is het vinden van het overgangspunt (de Transition State). Dit is het moment waarop de ingrediënten net beginnen te veranderen, maar nog niet helemaal klaar zijn. Het is als het moment waarop je een ei precies op het juiste moment uit de pan haalt: te vroeg en het is rauw, te laat en het is aan de pan geplakt.

In de echte wereld is het berekenen van dit punt met supercomputers (DFT) net zo duur als het bouwen van een nieuwe keuken voor elke pan die je wilt testen. Het duurt te lang en kost te veel geld.

De Oplossing: Een slimme voorspeller

De auteurs van dit paper hebben een slimme oplossing bedacht: Machine Learning (AI). Ze hebben een digitale "proefkook" ontwikkeld die de energie van deze overgangspunten kan voorspellen zonder dat je elke keer de hele dure simulatie hoeft te draaien.

Hier is hoe het werkt, vertaald naar alledaagse termen:

1. Het oude recept (De oude methode)
Vroeger gebruikten chemici simpele lijnen om te voorspellen hoe goed een pan werkt. Ze dachten: "Als de ingrediënten hier een beetje plakkerig zijn, dan is het overgangspunt waarschijnlijk ook een beetje moeilijk." Dit heet een lineaire relatie.

• Het probleem: Dit werkt goed voor simpele pannen (zuivere metalen), maar faalt volledig bij complexe pannen met speciale toevoegingen, zoals Single-Atom Alloys (SAA). Dit zijn pannen waar één speciaal metalen deeltje in een andere metalen pan is ingebed. Het is alsof je een Michelin-ster-sterrenkok (het atoom) in een gewone braadpan doet; de oude simpele regels zeggen dan niets meer over hoe goed het gerecht wordt.

2. De nieuwe slimme chef (WWL-GPR)
De onderzoekers hebben een nieuw AI-model gebouwd, genaamd WWL-GPR.

• De analogie: Stel je voor dat je elke chemische structuur (de pan met ingrediënten) tekent als een web van knopen en lijnen (een grafiek). De knopen zijn de atomen, de lijnen zijn de bindingen.
• In plaats van alleen te kijken naar de grootte van de pan, kijkt dit AI-model naar de vorm van het web, de soort atomen en hoe ze met elkaar praten. Het is alsof de AI niet alleen naar de ingrediënten kijkt, maar ook naar de manier waarop ze in de pan liggen en hoe ze met elkaar interageren.
• Dit model is getraind op een enorme database van 1448 verschillende "proefjes" die eerder met dure computers zijn gedaan.

Wat hebben ze ontdekt?

1. Veel nauwkeuriger voorspellingen
Het nieuwe AI-model is veel beter dan de oude simpele lijnen. Het maakt veel minder fouten bij het voorspellen van de energie.

• Vergelijking: Als de oude methode zegt dat een pan 10 minuten nodig heeft, maar het is eigenlijk 15 minuten, is dat een groot probleem. De nieuwe AI zegt bijna precies "14,8 minuten".

2. De impact op de snelheid (TOF)
In de chemie meet je succes in TOF (Turnover Frequency): hoe snel kan de pan per seconde een gerecht afleveren?

• De onderzoekers hebben getoond dat als je de oude, onnauwkeurige voorspellingen gebruikt, je de snelheid van de pan 10 keer (een orde van grootte) verkeerd inschat.
• Met hun nieuwe AI-model is die fout bijna 10 keer kleiner. Je weet dus veel beter of een pan echt snel is of niet.

3. Het vinden van nieuwe super-potten
Met dit snelle en nauwkeurige model hebben ze gekeken naar talloze nieuwe combinaties van metalen (Single-Atom Alloys).

• Ze vonden dat bepaalde combinaties, zoals Koper (Cu) met IJzer (Fe) of Koper met Nikkel (Ni), veelbelovend zijn.
• Normaal gesproken zijn Koper en Zilver (Ag) niet erg goed voor deze reactie. Maar als je er een klein beetje van een ander metaal in stopt (doping), worden ze plotseling super-snel.
• Dit is belangrijk omdat Koper en Zilver goedkoper en overvloediger zijn dan de dure edelmetalen (zoals Platina of Rhodium) die nu vaak worden gebruikt.

Waarom is dit belangrijk voor de wereld?

Dit onderzoek is als het vinden van een magische receptenboek dat je in seconden vertelt welke pan je moet gebruiken voor het perfecte gerecht, zonder dat je urenlang hoeft te koken en te testen.

• Kostenefficiëntie: Het bespaart jaren aan dure computerrekenkracht.
• Duurzaamheid: Het helpt ons sneller katalysatoren te vinden die CO₂ omzetten in nuttige brandstoffen, wat helpt bij de strijd tegen klimaatverandering.
• Toekomst: Het bewijst dat als je slimme AI combineert met de zware rekenkracht van supercomputers, we sneller nieuwe materialen kunnen ontwerpen voor een schone energietoekomst.

Kortom: De onderzoekers hebben een slimme "voorspeller" gebouwd die chemici helpt om de perfecte katalysator te vinden voor het omzetten van CO₂, waardoor we sneller en goedkoper kunnen werken aan een schonere planeet.

Technische samenvatting

Probleemstelling

Het rational ontwerpen van katalysatoren voor complexe reacties, zoals de omgekeerde water-gas shift (RWGS) reactie ($CO_2 + H_2 \rightarrow CO + H_2O$), vereist een nauwkeurige kennis van de energieën van overgangstoestanden (TS). Het bepalen van deze energieën met behulp van first-principles methoden zoals Dichtefunctietheorie (DFT) is echter computationally zeer duur en tijdrovend, wat een bottleneck vormt voor het screenen van grote materiaalbibliotheken.

Traditionele benaderingen, zoals Brønsted-Evans-Polanyi (BEP) relaties en thermochemische schaalrelaties (TSR), proberen deze kosten te verlagen door lineaire correlaties aan te nemen tussen activeringsenergieën en reactie-enthalpieën. Deze methoden falen echter vaak bij complexe materialen zoals Single-Atom Alloys (SAA's), waar de geometrie van de overgangstoestanden varieert en de lineaire relaties niet meer gelden. Dit leidt tot onnauwkeurige voorspellingen van katalytische activiteit (TOF - Turnover Frequency).

Methodologie

De auteurs stellen een geavanceerde machine learning (ML) aanpak voor die DFT-berekeningen combineert met grafgebaseerde ML-modellen om zowel adsorptie- als overgangstoestandsenergieën nauwkeurig te voorspellen.

1. Datasets en DFT:

   • Er werd een dataset samengesteld van 1448 adsorbaatstructuren en 650 TS-structuren voor de RWGS-reactie.
   • Onderzochte materialen: 6 zuivere metalen (Rh, Pd, Co, Ni, Cu, Au) en 12 SAA's (bijv. Rh+Pt1, Cu+Zn1) op (100) en (111) facetten.
   • Berekeningen werden uitgevoerd met Quantum Espresso (BEEF-vdW functional) en CI-NEB voor het vinden van TS's.
   • Microkinetische modellen (CSTR) werden gebruikt om TOF's te berekenen bij 500 °C en 1 atm.

2. Machine Learning Modellen:

   • WWL-GPR (Wasserstein Weisfeiler-Lehman Graph Kernel Gaussian Process Regression): Dit is de kern van de nieuwe methode.
     • Elke atoomstructuur wordt gemodelleerd als een graaf (knooppunten = atomen, randen = chemische bindingen).
     • Functies (Features): De knooppunten zijn uitgerust met een breed scala aan attributen, waaronder fysische constanten, eigenschappen van de projectie van de toestandsdichtheid (PDOS, o.a. d-band centrum), werkfunctie, geometrische kenmerken (coördinatiegetal), eigenschappen van gasfase-moleculen (HOMO/LUMO), en SOAP-descriptoren.
     • Voor TS-structuren worden de randen (bindingen) gedefinieerd als het vereniging van de initiële en finale staat, omdat de exacte bindingen in de TS niet van tevoren bekend zijn.
     • Het model gebruikt de Wasserstein-afstand om de gelijkenis tussen grafen te meten.
   • Vergelijkende Modellen: De prestaties werden vergeleken met lineaire modellen (TSR, BEP) en Ensemble Decision Trees (LightGBM, XGBoost, Random Forest).
   • Onzekerheidskwantificatie: Door middel van sub-sampling van de trainingsdata en het trainen van een ensemble van modellen, wordt de onzekerheid in de voorspellingen geschat. Deze onzekerheid wordt vervolgens doorgegeven naar de microkinetische modellen.

Belangrijkste Bijdragen

• Extensie van WWL-GPR: Voor het eerst wordt het WWL-GPR-model, dat eerder succesvol was voor adsorptie-energieën, uitgebreid om ook direct overgangstoestandsenergieën te voorspellen zonder afhankelijk te zijn van lineaire BEP-relaties.
• Integratie in Microkinetiek: De auteurs tonen aan hoe ML-voorspellingen van energieën direct kunnen worden gebruikt in microkinetische modellen om TOF's te berekenen, inclusief de propagatie van onzekerheid.
• SAA Screening: De methode wordt toegepast om nieuwe SAA-katalysatoren te screenen die superieur zijn aan traditionele metalen voor de RWGS-reactie.

Resultaten

1. Nauwkeurigheid van Energievoorspellingen:

   • Adsorptie-energieën: WWL-GPR behaalde een Mean Absolute Error (MAE) van 0,149 eV, wat significant beter is dan lineaire TSR (0,212 eV) en LightGBM (0,206 eV).
   • Overgangstoestandsenergieën: WWL-GPR behaalde een MAE van 0,154 eV, vergeleken met 0,200 eV voor BEP-relaties en 0,174 eV voor LightGBM.
   • De grafische representatie (WWL-GPR) bleek cruciaal voor het vangen van niet-lineaire relaties, vooral bij SAA's waar BEP-relaties vaak falen.

2. Impact op TOF-voorspellingen:

   • Wanneer ML-energieën worden gebruikt in microkinetische modellen, reduceert WWL-GPR de fout in de voorspelde TOF met bijna één orde van grootte ten opzichte van lineaire schaalrelaties.
   • De fout in TOF-voorspellingen daalde van een MAE van 1,77 (log10-schaal) voor lineaire modellen naar 0,97 voor WWL-GPR.
   • Dit benadrukt dat kleine fouten in energievoorspellingen leiden tot enorme afwijkingen in de geschatte katalytische activiteit.

3. Screening van Nieuwe Materialen:

   • Het model identificeerde veelbelovende SAA-katalysatoren. Bijvoorbeeld, SAA's gebaseerd op Cu en Ag (zoals Cu+Ni1, Cu+Fe1) tonen een aanzienlijk hogere activiteit dan pure Cu of Ag.
   • Doping van Co, Ru en Fe met andere metalen vermindert de blokkering van actieve plekken door te sterke zuurstof-adsorptie ($O^*$).
   • De studie bevestigt dat SAA's de BEP-relaties kunnen doorbreken, wat leidt tot lagere activeringsenergieën voor kritieke stappen zoals de vorming van $H_2O^*$.

Betekenis en Conclusie

Dit werk demonstreert de kracht van het combineren van geavanceerde graf-gebaseerde machine learning met DFT en microkinetische modellering. De belangrijkste conclusies zijn:

• Lineaire schaalrelaties zijn ontoereikend voor het screenen van complexe materialen zoals SAA's.
• WWL-GPR biedt een robuust en nauwkeurig raamwerk om TS-energieën te voorspellen, wat essentieel is voor betrouwbare TOF-voorspellingen.
• De methode versnelt het ontdekken van nieuwe katalysatoren voor de RWGS-reactie aanzienlijk en biedt een blauwdruk voor het ontwerp van katalysatoren voor andere complexe oppervlaktereacties.
• Het biedt een economisch aantrekkelijk alternatief door het identificeren van goedkope, aardrijke metalen (zoals Cu en Fe) die, wanneer gedoteerd, presteren als edelmetalen.