通过生成人工智能和扫描传输电子显微镜精确确定支催化剂纳米粒子的尺寸

科学领域:

• 材料科学 材料科学 材料科学
• 催化科学 催化科学
• 显微镜中的人工智能

背景情况:

• 传输电子显微镜 (TEM) 在异质催化中对纳米粒子大小的表征至关重要.
• 目前的方法经常将纳米粒子简化为球体,限制结构性能研究的精度.
• 从TEM图像中提取诸如核性之类的详细信息仍然具有挑战性.

研究的目的:

• 开发一种先进的方法,从纳米粒子的TEM图像中提取详细的结构信息.
• 用人工智能弥合实验TEM观测和原子级结构数据之间的差距.
• 为了提高纳米粒子大小和几何体的确定精度,用于催化剂的开发.

主要方法:

• 利用循环一致的生成对抗网络 (CycleGANs) 来连接实验和模拟的TEM图像.
• 在Pt/CeO2催化剂图像 (纳米粒子≈2 nm) 的大型数据集上训练 CycleGAN.
• 开发了一个随后的大小估计网络来确定纳米粒子核性.

主要成果:

• 循环GAN方法成功地关联了实验和模拟的TEM数据.
• 尺寸估计网络为大约70%的纳米粒子提供了可信的核性估计.
• 证明了克服传统技术的局限性,例如晶体方向依赖.

结论:

• 循环GAN提供了一个强大的工具,可以直接从TEM图像中进行详细的纳米粒子表征.
• 这种由人工智能驱动的方法可以精确地确定尺寸和核度,提高催化剂的设计和表征.
• 这种方法对具有足够训练数据的支持纳米粒子催化剂有很高的准确性.