跳到正文
Journal of the American Chemical Society· Dongxiao Chen; Qian-Yu Liu; Dongfang Cheng; Philippe Sautet·· 来源仅提供日期AI 评分37

分层机器学习揭示 Pt 纳米颗粒催化中的动态位点异质性

Dynamic Site Heterogeneity in Nanoparticle Catalysis from Hierarchical Machine Learning

AI 导读

分层机器学习方法将原子局部环境与能量、反应能垒预测关联,并在 973 K 丙烷脱氢的 Pt 纳米颗粒上揭示高度动态、异质的位点活性。对尺寸至 5 nm 的颗粒,丙烷 C–H 断裂能垒分布在 0.5–1.3 eV;集合平均分子动力学轨迹可给出准确的活性与尺寸效应趋势。单个表面 Pt 原子在 100 ps 内能垒可漂移达 0.8 eV,并在皮秒尺度切换活性与非活性状态。

已发表论文 · journal · 10.1021/jacs.6c12929

本站摘要基于收录版本 v1(2026-10-30),原始摘要与 AI 导读固定保留。

IF(5) 16.1 · 2025 · 期刊参考指标

摘要 · AI 翻译

识别催化纳米颗粒上所有单个表面位点的活性虽具挑战性,但对多相催化剂而言至关重要,尤其是为了理解位点的异质性。在此,我们开发了一种分层机器学习方法,能够以相近的计算成本将原子局域环境同时与能量和反应能垒预测相关联,从而为在纳米颗粒催化剂上开展广泛的催化活性探索提供了可行性。将该方法应用于尺寸最高达 5 nm 的 Pt 纳米颗粒上、反应温度为 973 K 的丙烷脱氢反应,结果揭示了高度动态且异质的活性,丙烷 C–H 键断裂能垒分布广泛(0.5–1.3 eV),且高活性或失活位点十分稀少。传统的全局优化方法即使考虑了大量亚稳态结构,也会低估催化活性。相反,使用系综平均的分子动力学轨迹可以得到准确的活性和尺寸效应趋势,这凸显了位点活性与异质性的动态本质。值得注意的是,经典的多面体模型(如由 Wulff 构造得到的模型)能够对较大纳米颗粒预测出正确的趋势,但这是通过缺失的动态性与对亚稳态位点概率的高估之间的误差抵消来实现的。此外,我们的模拟显示,在 100 ps 的轨迹内,给定的表面 Pt 原子在反应温度下能垒会快速涨落,偏移量最高可达 0.8 eV,表明单个原子可以在皮秒时间尺度上在活性与失活状态之间切换。这项工作提供了一种可行的方法,将对催化剂的认知从静态活性位点的组合转变为高度异质且快速动态演化的位点。

来源:Journal of the American Chemical Society · doi.org