DOI: https://doi.org/10.1038/s41467-025-57688-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40074737
تاريخ النشر: 2025-03-12
المؤلف: Axel Tosello Gardini وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
يقدم هذا القسم تحولًا في فهم التحفيز الصناعي غير المتجانس، حيث ينتقل من نموذج ثابت إلى نموذج يركز على الطبيعة الديناميكية للعوامل المحفزة. باستخدام محاكاة الديناميات الجزيئية المدفوعة بالتعلم الآلي، يبحث المؤلفون في عملية تخليق الأمونيا التي يحفزها هيدريد الباريوم (BaH₂). تشير نتائجهم إلى أن BaH₂ يعمل كعامل محفز فعال فقط عندما يتعرض لعملية حلقة كيميائية محددة، حيث يتفاعل أولاً مع النيتروجين (N₂) قبل الهيدروجين (H₂). يؤدي هذا التسلسل إلى تحول كبير في BaH₂، مما يحوله إلى مركب مختلط فائق الأيونية، BaH₂-2x(NH)x، الذي يظهر حركة أيونية عالية للهيدريدات والإيميدات في جميع أنحاء المحفز، وليس فقط على السطح.
تسلط الدراسة الضوء على عدم كفاية الأساليب التقليدية التي تركز فقط على تحديد المواقع النشطة، حيث إنها تفشل في حساب العمليات الديناميكية التي تولد هذه المواقع. يشير المؤلفون إلى رؤى شلوجل، مؤكدين أن المراكز النشطة تنشأ من تقلبات في هيكل المادة وروابطها الكيميائية. بدأت التطورات الحديثة في التقنيات التجريبية والتعلم الآلي في سد الفجوة في فهم سلوك المحفز تحت ظروف التشغيل، مما يكشف أن النشاط التحفيزي يمكن أن يتغير بشكل كبير مع درجة الحرارة وتعرض المتفاعلات. تؤكد هذه الأبحاث على أهمية التعرف على المحفز ككيان ديناميكي يتطور أثناء التفاعلات، مما يتحدى وجهات النظر التقليدية في مجال التحفيز غير المتجانس.
الطرق
في هذه الدراسة، تم إجراء محاكاة الديناميات الجزيئية (MD) باستخدام جهد بين ذرات قائم على التعلم الآلي، والذي تم دمجه مع طرق أخذ عينات محسنة لالتقاط الأحداث التفاعلية بشكل فعال. تم تفصيل المنهجية المستخدمة بشكل شامل في الجدول التكميلي S1، الذي يوضح المحاكاة المحددة التي تم إجراؤها. بالإضافة إلى ذلك، تتناول الأقسام التالية من الورقة عملية تدريب نموذج التعلم الآلي وتنفيذ محاكاة الديناميات الجزيئية، مما يضمن فهمًا شاملاً للتقنيات المطبقة في البحث.
النتائج
في هذا القسم، يؤكد المؤلفون على أهمية تحليل كل من الديناميات الكتلية والسطحية لفهم النشاط التحفيزي للعوامل المحفزة المدروسة. يبدأون تحقيقهم بالتركيز على الديناميات الموجودة في المادة الكتلية وكذلك على السطح (120)، الذي تم تحديده كأكثر الأسطح استقرارًا للمحفز. هذا التحليل المزدوج ضروري لتوضيح الآليات الكامنة وراء الأداء التحفيزي.
المناقشة
في هذا القسم، يتم مناقشة ديناميات هيدريد الباريوم (BaH₂) فيما يتعلق بتحولاته الهيكلية وخصائصه التحفيزية. تحت 770 كلفن، يتبنى BaH₂ هيكلًا متوازي الأوجه (مجموعة الفضاء Pnma)، ويتحول إلى شكل سداسي (مجموعة الفضاء P6₃/mmc) عند درجات حرارة أعلى. في المرحلة المتوازية الأوجه، تخلق كاتيونات Ba²⁺ شبكة سداسية مضطربة، مع احتلال أنيونات الهيدروجين مواقع رباعية (Hₜ) وسداسية (Hₒ) متميزة. تكشف الدراسة أن Hₜ يظهر تذبذبات غير متساوية بسبب الإحباط الهندسي، بينما يظهر Hₒ سلوكًا متساويًا. تسهل وجود الفراغات الأيونية، الناتجة عن إزالة الهيدروجين، انتشار الهيدروجين من خلال آلية الفراغ، مما يغير الخصائص الإلكترونية لـ BaH₂ ويمكّنه من التصرف كإلكترود.
يتأثر النشاط التحفيزي لـ BaH₂ بشكل كبير بدرجة الحرارة، مع زيادة ملحوظة في النشاط تُلاحظ بين 550 كلفن و700 كلفن. عند درجات الحرارة المرتفعة، تصبح أنيونات الهيدروجين شديدة الحركة، مما يعزز إطلاق الهيدروجين ويسهل امتصاص النيتروجين. يؤدي التفاعل بين النيتروجين (N₂) والسطح المعيب إلى تكوين أنيون ديازيني (N₂²⁻)، وهو أمر حاسم للتفاعلات اللاحقة التي تضعف رابطة N≡N وتؤدي في النهاية إلى تخليق الأمونيا (NH₃). تؤكد الدراسة على الطبيعة الديناميكية للمحفز، حيث تشارك الهيدريدات بنشاط في التفاعل، مقلدة الآليات الموجودة في تثبيت النيتروجين البيولوجي. تؤكد النتائج على أهمية مراعاة ديناميات المحفز والخصائص الإلكترونية في تصميم أنظمة تحفيزية فعالة لتخليق الأمونيا.
DOI: https://doi.org/10.1038/s41467-025-57688-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40074737
Publication Date: 2025-03-12
Author(s): Axel Tosello Gardini et al.
Primary Topic: Machine Learning in Materials Science
Overview
The section presents a shift in the understanding of industrial heterogeneous catalysis, moving from a static model to one that emphasizes the dynamic nature of catalysts. Utilizing machine learning-driven molecular dynamics simulations, the authors investigate the ammonia synthesis process catalyzed by barium hydride (BaH₂). Their findings indicate that BaH₂ acts as an efficient catalyst only when subjected to a specific chemical looping process, first interacting with nitrogen (N₂) before hydrogen (H₂). This sequence induces a significant transformation in BaH₂, converting it into a superionic mixed compound, BaH₂-2x(NH)x, which exhibits high ionic mobility of hydrides and imides throughout the entire catalyst, not just at the surface.
The study highlights the inadequacy of traditional approaches that focus solely on identifying active sites, as they fail to account for the dynamic processes that generate these sites. The authors reference the insights of Schlögl, emphasizing that active centers arise from fluctuations in the material’s structure and chemical bonds. Recent advancements in experimental techniques and machine learning have begun to bridge the gap in understanding the catalyst’s behavior under operando conditions, revealing that catalytic activity can significantly change with temperature and reactant exposure. This research underscores the importance of recognizing the catalyst as a dynamic entity that evolves during reactions, challenging conventional perspectives in the field of heterogeneous catalysis.
Methods
In this study, molecular dynamics (MD) simulations were conducted utilizing a machine learning-based interatomic potential, which was integrated with enhanced sampling methods to effectively capture reactive events. The methodology employed is detailed comprehensively in Supplementary Table S1, which outlines the specific simulations carried out. Additionally, the subsequent sections of the paper elaborate on the training process of the machine learning model and the execution of the molecular dynamics simulations, ensuring a thorough understanding of the techniques applied in the research.
Results
In this section, the authors emphasize the importance of analyzing both bulk and surface dynamics to comprehend the catalytic activity of the studied catalysts. They initiate their investigation by focusing on the dynamics present in the bulk material as well as on the (120) surface, identified as the most stable surface of the catalyst. This dual analysis is critical for elucidating the mechanisms underlying catalytic performance.
Discussion
In this section, the dynamics of barium hydride (BaH₂) are discussed in relation to its structural transformations and catalytic properties. Below 770 K, BaH₂ adopts an orthorhombic structure (space group Pnma), transitioning to a hexagonal form (space group P6₃/mmc) at higher temperatures. In the orthorhombic phase, Ba²⁺ cations create a distorted hexagonal close-packed lattice, with hydrogen anions occupying distinct tetrahedral (Hₜ) and octahedral (Hₒ) sites. The study reveals that Hₜ exhibits anisotropic oscillations due to geometric frustration, while Hₒ displays isotropic behavior. The presence of anionic vacancies, resulting from dehydrogenation, facilitates hydrogen diffusion through a vacancy mechanism, altering the electronic properties of BaH₂ and enabling it to behave as an electride.
The catalytic activity of BaH₂ is significantly influenced by temperature, with a notable increase in activity observed between 550 K and 700 K. At elevated temperatures, hydrogen anions become highly mobile, promoting hydrogen release and facilitating nitrogen adsorption. The interaction between nitrogen (N₂) and the defective surface leads to the formation of a diazenido anion (N₂²⁻), which is crucial for subsequent reactions that weaken the N≡N bond and ultimately lead to ammonia (NH₃) synthesis. The study emphasizes the dynamic nature of the catalyst, where hydrides actively participate in the reaction, mimicking mechanisms found in biological nitrogen fixation. The findings underscore the importance of considering catalyst dynamics and electronic properties in the design of efficient catalytic systems for ammonia synthesis.