Identificación de sitios activos para la reducción de CO2 en superficies de oro sin aleación mediante la combinación...

Área de la Ciencia:

• Ciencias de los materiales computacionales
• La electrocatálisis
• Nanotecnología

Sus antecedentes:

• Las nanopartículas de oro (AuNPs) y las nanopartículas de núcleo sin aleación Au3Fe muestran un rendimiento mejorado para la reducción de CO2 a CO (CO2RR).
• La identificación de sitios de superficie activos específicos responsables de este rendimiento mejorado de CO2RR es un desafío debido al gran número de átomos de superficie y las limitaciones de los métodos experimentales y mecánicos cuánticos tradicionales.
• Los métodos actuales luchan por analizar el vasto área de superficie de las nanopartículas (por ejemplo, las NP de 10 nm tienen ~ 10,000 sitios de superficie).

Objetivo del estudio:

• Desarrollar y aplicar un enfoque computacional que combine el aprendizaje automático, las simulaciones a múltiples escalas y la mecánica cuántica (QM) para predecir el rendimiento catalítico de sitios de superficie individuales en AuNPs y superficies de Au sin aleación.
• Identificar de manera eficiente los sitios activos óptimos para el CO2RR en las superficies de oro sin aleación.
• Proporcionar una herramienta para visualizar la actividad catalítica en toda la superficie de las nanopartículas.

Principales métodos:

• Integración de algoritmos de aprendizaje automático con simulaciones multiscala y cálculos de gestión de la calidad.
• Previsión del rendimiento (valor a) para miles de sitios de superficie en nanopartículas de oro y superficies sin aleación.
• Identificación de los sitios activos óptimos para la reacción de reducción de CO2 (CO2RR) mediante análisis computacional.

Principales resultados:

• Predijo con éxito el rendimiento de sitios de superficie individuales en nanopartículas de oro y superficies de oro sin aleación.
• Se han identificado sitios activos óptimos para el CO2RR en superficies de oro sin aleación con un coste computacional significativamente reducido.
• Desarrolló un método para visualizar la distribución de la actividad catalítica en toda la superficie de las nanopartículas.

Conclusiones:

• El aprendizaje automático combinado, la simulación a múltiples escalas y el enfoque de gestión de la calidad son una herramienta poderosa para comprender y predecir el rendimiento del electrocatalizador a nivel del sitio.
• Esta metodología permite la identificación eficiente de los sitios activos óptimos para el CO2RR, acelerando el diseño de electrocatalizadores de alto rendimiento.
• La comparación de los valores a previstos con descriptores experimentales o teóricos ofrece nuevas vías para guiar el desarrollo de electrocatalizadores avanzados para la conversión de energía limpia.