Ingeniería de coordinación guiada por aprendizaje automático de electrocatalizadores monoatómicos M-N-C para la...

Área de la Ciencia:

• Ciencias de los materiales
• Catálisis
• Química computacional

Sus antecedentes:

• La adaptación de catalizadores monoatómicos metal-nitrógeno-carbono (M-N-C) para una actividad y selectividad óptimas es crucial, pero se ve obstaculizada por la falta de relaciones claras entre estructura y propiedades.
• La comprensión de la interacción entre la geometría de coordinación y el rendimiento catalítico en M-N-C SAC es esencial para avanzar en la electrocatálisis.

Objetivo del estudio:

• Desarrollar un descriptor interpretable para predecir la actividad de la reacción de reducción de oxígeno electrocatalítico (ORR) de los SAC M-N-C.
• Para cerrar la brecha entre las predicciones teóricas y la síntesis experimental de SAC de alto rendimiento.
• Proporcionar directrices para las geometrías de coordinación de ingeniería para mejorar la eficiencia catalítica.

Principales métodos:

• Los cálculos de la teoría funcional de la densidad (DFT) se integraron con algoritmos de aprendizaje automático (ML).
• Se identificó un nuevo descriptor que correlaciona los sobrepotenciales teóricos con las características estructurales (número de coordinación e interacción con el soporte metálico).
• Se realizaron síntesis experimentales y pruebas electroquímicas de un Cu-SAC previsto.

Principales resultados:

• Un descriptor interpretable predijo con precisión el rendimiento de ORR en varios centros metálicos en M-N-C SAC.
• El descriptor guió el diseño de un Cu-SAC con sitios Cu-N₃ de baja coordinación, superando a los sitios Cu-N₄ convencionales.
• El Cu-SAC sintetizado exhibió una notable actividad ORR y una robusta estabilidad estructural.

Conclusiones:

• El estudio estableció con éxito una relación estructura-propiedad para las SAC M-N-C utilizando un descriptor ML interpretable.
• Este enfoque acelera el descubrimiento y desarrollo de electrocatalizadores de próxima generación para la conversión de energía sostenible.
• Los hallazgos demuestran el poder de combinar estrategias teóricas, computacionales y experimentales en la ciencia de los materiales.