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

Schone energietechnologieën, van brandstofcellen tot oplaadbare metaal-luchtbatterijen, vertrouwen op een chemisch proces dat de zuurstofevolutiereactie wordt genoemd om energie op te wekken. Deze reactie is essentieel voor het splitsen van water in waterstof en zuurstof, een cruciale stap bij het opslaan van hernieuwbare energie. Echter, het proces is van nature traag en stroperig, waardoor er een aanzienlijke hoeveelheid extra energie nodig is, bekend als overpotentiaal, om het op gang te brengen. Om deze technologieën praktisch te maken, gebruiken wetenschappers katalysatoren — materialen die de reactie versnellen zonder verbruikt te worden. Decennialang waren de beste katalysatoren gemaakt van zeldzame en dure metalen zoals iridium en ruthenium. De wereldwijde drang naar duurzame energie heeft onderzoekers ertoe aangezet om goedkopere, meer overvloedige alternatieven te zoeken, wat hen naar clusters van metaalatomen leidde die slechts enkele nanometers groot zijn.

Deze minuscule metaalclusters zijn fascinerend omdat ze zich niet gedragen als de bulkmetalen die we in het dagelijks leven zien. Wanneer een metaal wordt gereduceerd tot een cluster die slechts een handvol atomen bevat, veranderen de elektronische eigenschappen drastisch. Het toevoegen of verwijderen van een enkel atoom kan de manier waarop de cluster met andere chemicaliën interageert volledig veranderen, waardoor het gedrag zeer gevoelig en moeilijk voorspelbaar wordt. Deze onvoorspelbaarheid is lang een barrière geweest bij het ontwerpen van betere katalysatoren. Traditionele methoden van trial-and-error zijn te traag en kostbaar om door dit complexe landschap te navigeren, en eenvoudige regels die werken voor grotere materialen, falen vaak wanneer ze worden toegepast op deze kleine, beperkte systemen.

Een team van onderzoekers heeft deze uitdaging nu aangepakt door geavanceerde computersimulaties te combineren met machine learning om de activiteit van metaalnanoclusters te ontcijferen. Ze richtten zich op clusters bestaande uit ijzer, kobalt en nikkel, ondersteund op een laag stikstofgedoteerd grafeen, een materiaal dat bekend staat om zijn sterkte en het vermogen om metaalatomen op hun plaats te houden. De onderzoekers bouwden een digitale bibliotheek van 62 verschillende nanoclusterstructuren, variërend in grootte van 5 tot 38 atomen. Vervolgens gebruikten ze high-performance computing om te simuleren hoe elk van deze structuren zou presteren tijdens de zuurstofevolutiereactie, waarbij ze meer dan 200 verschillende oppervlaktesites evalueerden waar de reactie zou kunnen plaatsvinden.

De simulaties toonden aan dat een specifieke cluster met 19 nikkelatomen, verankerd aan het stikstofgedoteerde grafeen, de meest veelbelovende kandidaat was. Deze cluster, geïdentificeerd als Ni19, vertoonde een theoretische efficiëntie die suggereerde dat het de reactie met minimale energieverlies zou kunnen aandrijven. De onderzoekers ontdekten dat de activiteit van deze clusters niet verklaard kon worden door één enkele, eenvoudige regel, zoals de gemiddelde energie van de elektronen van het metaal. In plaats daarvan hing de prestatie af van een complex samenspel van vele factoren. Om de betekenis van deze complexiteit te begrijpen, maakte het team gebruik van machine learning, een tak van kunstmatige intelligentie die uitblinkt in het vinden van patronen in grote datasets. Ze trainden verschillende computermodellen om de reactie-energie te voorspellen op basis van de elektronische eigenschappen van de clusters.

Onder de verschillende geteste algoritmen bleek een model genaamd Random Forest Regression het meest accuraat te zijn. Dit model voorspelde de reactie-energie met een hoge mate van betrouwbaarheid en presteerde beter dan traditionele lineaire methoden die een rechtlijnige relatie tussen oorzaak en gevolg veronderstellen. De analyse toonde aan dat de meest kritieke factor die de prestaties van de katalysator beïnvloedt, het gedrag van specifieke elektronische orbitalen nabij het oppervlak van de metaalcluster was. Deze orbitalen, de regio's waar de kans het grootst is dat elektronen zich bevinden, bepalen hoe sterk de katalysator zich vasthoudt aan de tussenliggende moleculen die tijdens de reactie worden gevormd. Het machine learning-model identificeerde dat de precieze rangschikking en energie van deze elektronentoestanden, met name die met een specifieke spinrichting, de primaire drijfveren van de katalytische activiteit waren.

Om te bevestigen dat hun computervoorspellingen correct waren, hebben de onderzoekers de best presterende katalysator in een laboratorium gesynthetiseerd. Ze creëerden een materiaal met nikkelnanoclusters ondersteund op stikstofgedoteerd koolstof en testten het vermogen om de zuurstofevolutiereactie aan te drijven. De experimentele resultaten kwamen nauw overeen met de theoretische voorspellingen. De gesynthetiseerde katalysator vereiste een overpotentiaal van 460 millivolt om een standaard stroomdichtheid te bereiken, een prestatieniveau dat vergelijkbaar is met de dure commerciële rutheniumoxide-katalysator die momenteel als benchmark wordt gebruikt. Bovendien vertoonde het materiaal een uitstekende stabiliteit, waarbij het zijn activiteit over lange perioden van testen behield zonder significante degradatie.

De studie verduidelijkte ook waarom sommige gangbare benaderingen voor het begrijpen van katalysatoren in deze specifieke context falen. De onderzoekers toonden aan dat eenvoudige lineaire correlaties, die vaak werken voor grotere metaaloppervlakken, het gedrag van deze metaalnanoclusters niet nauwkeurig konden voorspellen. De unieke, discrete aard van de elektronische energieniveaus in zulke kleine systemen betekent dat een enkele descriptor onvoldoende is om hun reactiviteit te vatten. In plaats daarvan is een veelzijdige aanpak vereist die de gedetailleerde elektronische structuur in overweging neemt. Door de computersimulaties, machine learning-inzichten en experimentele validatie succesvol te koppelen, heeft het team een duidelijk stappenplan geboden voor het begrijpen en ontwerpen van deze complexe materialen.

Dit werk demonstreert dat het mogelijk is de elektronische complexiteit van metaalnanoclusters te ontrafelen en die kennis te gebruiken om efficiënte, overvloedig aanwezige katalysatoren te ontwerpen. De identificatie van de nikkelgebaseerde cluster als een superieure kandidaat biedt een levensvatbaar pad naar het verminderen van de kosten van de productie van groene waterstof. De combinatie van high-throughput screening en machine learning biedt een krachtig instrument om de ontdekking van nieuwe materialen te versnellen, waarbij men verder gaat dan gokwerk naar een rationeel ontwerpproces. De bevindingen suggereren dat wetenschappers, door de elektronische eigenschappen van metaalclusters op atomair niveau zorgvuldig af te stemmen, katalysatoren kunnen creëren die zowel zeer actief als duurzaam zijn, wat de weg vrijmaakt voor een bredere adoptie van schone energietechnologieën.