Development of machine-learned interatomic potentials to predict structure, transport, and reactivity in platinum-based fuel cells

Deze studie ontwikkelt een machine-learned interatomair potentiaalmodel voor het voorspellen van structuur, transport en reactiviteit in platinum-Nafion-brandstofcellen, waarbij wordt geconstateerd dat hoewel het model uitstekende resultaten levert voor structurele eigenschappen en reacties, actieve learning beperkt effectief is voor het reduceren van onzekerheid en het simuleren van langzame transportprocessen nog steeds een uitdaging vormt.

De kern

De Digitale Architect voor Brandstofcellen: Een Nieuwe Manier om Kijkjes te Kopen

Stel je voor dat je een brandstofcel wilt bouwen. Dit is een apparaat dat waterstof omzet in elektriciteit, perfect voor schone auto's of datacenters. Maar het binnenwerk is een enorme chaos: het is een nat, drukke wereld vol met watermoleculen, zure polymeren (Nafion) en goudkleurige platinakorrels die als katalysator werken.

Om deze brandstofcel te verbeteren, moeten wetenschappers precies weten hoe deeltjes zich bewegen en hoe ze met elkaar reageren. Het probleem? De echte wereld is te groot en te complex om met de huidige supercomputers volledig na te bootsen.

1. Het Probleem: De "Te dure" Simulatie

Vroeger hadden wetenschappers twee opties:

• Optie A (De simpele tekenfilm): Een klassieke simulatie. Dit is snel, maar het kan geen chemische reacties simuleren. Het is alsof je probeert te begrijpen hoe een auto rijdt, maar je mag de motor niet uit elkaar halen om te zien hoe de brandstof verbrandt.
• Optie B (De hyper-realiteit): Een zeer nauwkeurige simulatie (DFT). Dit is als een fotorealistische film, maar het kost zo veel rekenkracht dat je maar een paar seconden van de film kunt maken. Voor een brandstofcel die jarenlang moet werken, is dit te kort.

2. De Oplossing: De "Machine-Learned" Tussenpersoon

In dit artikel hebben de onderzoekers een Machine-Learned Interatomic Potential (MLIP) ontwikkeld. Je kunt dit zien als een slimme, digitale architect.

• Hoe werkt het? Ze hebben de architect eerst laten kijken naar duizenden foto's van atomen die door de "hyper-realiteit" (DFT) zijn gemaakt. De architect leert de patronen: "Als atoom A dicht bij atoom B komt, gebeurt er dit."
• Het resultaat: De architect kan nu zelf nieuwe situaties voorspellen. Hij is bijna net zo nauwkeurig als de dure supercomputer, maar duizenden keren sneller. Hierdoor kunnen we simulaties draaien die lang genoeg duren om te zien hoe de brandstofcel echt werkt.

3. De Oefening: Een Diverse Training

Om deze architect goed te trainen, moesten ze een zeer gevarieerde "schoolboeken" maken. Ze hebben niet alleen gekeken naar water en platina apart, maar vooral naar de grensgebieden waar de platina en het polymeer elkaar raken.

• De Analogie: Stel je voor dat je een tolk traint voor een vergadering tussen twee landen. Je traint hem niet alleen op de taal van land A en land B apart, maar vooral op hoe ze met elkaar praten.
• De Uitdaging: Ze hebben geprobeerd om de architect nog slimmer te maken door "actief leren" toe te passen (waarbij de computer zelf nieuwe, moeilijke situaties zoekt om te oefenen). Maar verrassend genoeg hielp dit niet veel. Het bleek dat de architect al genoeg had geleerd van de eerste, goed samengestelde lesboeken.

4. Wat hebben ze ontdekt?

Met hun nieuwe, snelle architect hebben ze drie dingen onderzocht:

• De Structuur (De Bouw): Ze zagen hoe de watermoleculen en de platina zich gedragen. Ze ontdekten dat water zich heel sterk vastklampt aan het platina, net als een magneet. Dit is anders dan wat oudere, minder nauwkeurige modellen voorspelden.
• Het Verkeer (Transport): Hoe bewegen de protonen (de ladingdragers)? Ze zagen twee manieren van bewegen:
  1. Het Busje: Een proton zit op een watermolecuul en wordt vervoerd.
  2. Het Huppelen (Grotthuss-mechanisme): Het proton springt van het ene watermolecuul naar het andere, alsof het over een stroomlijn van stenen huppelt.
  • Belangrijke ontdekking: Bij de rand van het platina gaat het verkeer trager. Het platina "houdt" het water te vast vast, waardoor de protonen minder snel kunnen huppelen.
• De Reacties (De Chemie): Ze keken of de architect kon voorspellen hoe atomen loslaten of nieuwe verbindingen aangaan. Voor situaties die de architect al had gezien, was hij perfect. Voor volledig nieuwe situaties (die niet in zijn lesboek stonden) was hij iets minder zeker, maar nog steeds nuttig.

5. Waarom is dit belangrijk?

Dit onderzoek is als het vinden van een krachtige nieuwe bril voor ingenieurs.

Vroeger moesten ze kiezen tussen snelheid of nauwkeurigheid. Nu hebben ze een model dat beide biedt. Hierdoor kunnen ze in de toekomst:

• Brandstofcellen ontwerpen die langer meegaan.
• Betere materialen vinden voor datacenters die veel energie verbruiken.
• De kosten verlagen door minder fysieke experimenten te hoeven doen en meer te vertrouwen op de slimme computer.

Kortom: De onderzoekers hebben een digitale "tussenpersoon" gebouwd die de complexe dans tussen atomen in een brandstofcel kan voorspellen. Hierdoor kunnen we sneller en slimmer schone energie-technologie ontwikkelen.

Technische samenvatting

Probleemstelling

Waterstofbrandstofcellen, met name die met een protonuitwisselingsmembraan (PEM) gemaakt van Nafion en platina (Pt)-gebaseerde katalysatoren, zijn complex. Hun prestaties worden bepaald door de gekoppelde dynamiek van protontransport door het polymeer, de reactiviteit van de Pt-katalysator en de interactie aan het grensvlak tussen beide.
Bestaande computermethoden hebben beperkingen:

• Klassieke Molecular Dynamics (MD): Kan grote systemen en lange tijdschalen simuleren, maar kan geen chemische reacties (het breken en vormen van bindingen) modelleren vanwege het ontbreken van reactieve krachtenvelden.
• Dichtheidsfunctionaaltheorie (DFT) en Ab Initio MD (AIMD): Bieden hoge nauwkeurigheid en kunnen reacties beschrijven, maar zijn beperkt tot zeer kleine systemen en korte tijdschalen (picoseconden), waardoor ze ongeschikt zijn voor het bestuderen van transport en morfologie in volledige brandstofcellen.
• Machine-Learned Interatomic Potentials (MLIPs): Bieden de belofte om de snelheid van klassieke MD te combineren met de nauwkeurigheid van DFT. Echter, het trainen van robuuste MLIPs voor meercomponenten-systemen (zoals water, polymeer en metaal) blijft een uitdaging, vooral wat betreft het efficiënt verkennen van de complexe configuratieruimte en het behalen van goede nauwkeurigheid voor zowel structuur als reactiviteit.

Methodologie

De auteurs hebben een nieuw MLIP ontwikkeld met behulp van de MACE (Multi-Atomic Cluster Expansion) architectuur, specifiek getraind op een systeem van gehydrateerd Nafion op een platina-oppervlak.

1. Trainingsdataset Constructie:

   • Er werd een diverse dataset samengesteld met behulp van AIMD-simulaties (met JDFTx software en de r2SCAN-functie).
   • Het dataset omvatte: zuiver water, Nafion-water systemen, en Pt-Nafion-water systemen.
   • Variatie werd aangebracht door verschillende hydratieniveaus ($\lambda$, aantal watermoleculen per sulfonaatgroep), lineaire rek (compressie tot -15%), en rotaties van de Nafion-keten op het Pt(111)-oppervlak om verschillende bindingsmotieven te dekken.
   • Elke 10e frame van de AIMD-trajecten werd geselecteerd om correlatie te verminderen.

2. Actief Leren (Active Learning):

   • Een workflow met actief leren werd toegepast met een comité van 3 modellen.
   • Het doel was om onzekerheid in het model te detecteren en nieuwe DFT-berekeningen toe te voegen aan de trainingsset.
   • Resultaat van Actief Leren: De auteurs vonden dat actief leren de prestaties van het model (kracht- en energievoorspelling) nauwelijks verbeterde ten opzichte van het initiële dataset. De onzekerheid nam wel af, maar met afnemende meerwaarde na de eerste iteratie. Dit suggereert dat de initiële dataset al de relevante atomaire interacties bevatte en dat de huidige methoden voor actief leren inefficiënt zijn voor dit type complex, meercomponenten-systeem.

3. Validatie en Toepassing:

   • Het getrainde model werd gebruikt voor 1 ns lange MD-simulaties (NVT ensemble) bij 300 K.
   • De resultaten werden vergeleken met AIMD-data, klassieke MD-resultaten uit de literatuur en DFT-berekeningen.
   • Er werden 12 reactiepaden getest (zoals Grotthuss-hopping, deprotonering van SO3-groepen, en waterdissociatie) om de reactiviteit te valideren.

Belangrijkste Bijdragen

• Integrale Benadering: Voor het eerst wordt een enkel MLIP-model getraind dat zowel de polymeerstructuur, protontransport (inclusief Grotthuss-mechanisme) als chemische reactiviteit aan het Pt-Nafion-grensvlak tegelijkertijd kan beschrijven.
• MACE Architectuur: Toepassing van de geavanceerde MACE-architectuur op een complex brandstofcel-systeem, wat een significant vooruitgang is ten opzichte van eerdere pogingen.
• Inzicht in Actief Leren: Een kritische bevinding dat traditioneel actief leren voor dit specifieke meercomponenten-systeem weinig winst oplevert, wat wijst op de noodzaak van betere methoden om de configuratieruimte efficiënt te verkennen.
• Reactieve Capaciteit: Het model kan chemische reacties modelleren (zoals protontransfer en polymeer-dissociatie) zonder de beperkingen van klassieke krachtenvelden, terwijl het toch schaalbaar is voor nanoseconden-simulaties.

Resultaten

1. Structuur:

   • Het model voorspelt structuureigenschappen (bindingsafstanden, hoeken, radiale verdelingsfuncties) met uitstekende nauwkeurigheid, vergelijkbaar met AIMD.
   • Een opvallend verschil met klassieke MD is de Pt-O bindingslengte: het MLIP voorspelt een scherpe piek bij ~2.2 Å, wat duidt op sterkere watercoördinatie met het platina-oppervlak dan klassieke modellen suggereren.
   • De radiale verdelingsfuncties (RDFs) tonen een goede overeenkomst met bestaande literatuur en AIMD-data.

2. Transport:

   • Het model slaagt erin zowel voertuigtransport (beweging van hydronium-ionen) als Grotthuss-hopping (protonenoverslag) te modelleren.
   • Protonen bewegen langzamer in het Pt-Nafion-composiet dan in bulk Nafion. Dit wordt toegeschreven aan een verzadiging van water aan het Pt-oppervlak, wat de effectieve hydratatie in het polymeer verlaagt.
   • Beperking: Convergente diffusiecoëfficiënten konden niet worden berekend omdat deze trajecten van tientallen nanoseconden vereisen, wat nog te rekenintensief is voor huidige MLIPs.

3. Reactiviteit:

   • Het model presteert zeer goed voor reacties die binnen de trainingsset vallen (bijv. SO3-deprotonering, Zundel-species migratie) met een gemiddelde RMSE van < 0.03 eV.
   • Voor reacties buiten de trainingsset (bijv. O2-protonering) is de nauwkeurigheid lager, maar nog steeds redelijk (totale RMSE ~0.16 eV).
   • Het model is het minst accuraat voor paden met vrije H, OH of F-atomen, wat logisch is gezien het ontbreken van deze specifieke toestanden in de trainingsdata.

Betekenis en Conclusie

De studie demonstreert dat state-of-the-art MLIP-architecturen (zoals MACE) potentieel hebben om de complexiteit van brandstofcellen te simuleren op schalen die onbereikbaar zijn voor DFT, maar met veel hogere nauwkeurigheid dan klassieke MD.

• Optimalisatie: De inzichten uit dit model kunnen worden gebruikt om de prestaties van brandstofcellen te optimaliseren door inzicht te krijgen in de interactie tussen katalysator en membraan.
• Toekomstperspectief: Hoewel het model veelbelovend is, zijn er uitdagingen. Actief leren bleek niet de "wonderoplossing" voor het verbeteren van de dataset voor dit type systeem. De auteurs suggereren dat innovatieve methoden nodig zijn om de fase-ruimte van elektronische interacties in heterogene systemen beter te verkennen, of dat het fijnafstemmen van bestaande fundamentele modellen (foundation models) een veelbelovende route is.
• Impact: De ontwikkeling van robuuste modellen die structuur, transport en reactiviteit in één model kunnen voorspellen, is een cruciale stap naar het versnellen van de ontwikkeling van nieuwe energie-technologieën.