Новые эффективные нанокатализаторы для фотостимулированных «зеленых» реакций получения водорода: компьютерный дизайн, лабораторные и синхротронные исследования с использованием технологий машинного обучения

Прогресс в области наноинженерии размеров и граней поверхности кристаллитов открыл путь к синтезу полупроводниковых наночастиц с четко определенной формой и размером с использованием подходящих реагентов и ПАВ. Такие методы в частности были разработаны для наночастиц анатаза TiO2 для получения нанокристаллов с заданными гранями поверхности. Этот подход позволяет точно настроить физико-химические свойства наночастиц для оптимизации их реакционной способности и селективности. Значительное улучшение активности в реакции фотокаталитического расщепления воды достигается при использовании металлических наночастиц, нанесенных на наночастицы оксидов с заданной формой. Однако, сведения о влиянии различных открытых поверхностей и состоянии поверхности наночастиц металлов на подложке в каталитических процессах все еще противоречивы, что препятствует дальнейшему развитию. Более того, хотя были приложены большие усилия для разработки новых материалов с высокой фотоактивностью, наиболее активные катализаторы по-прежнему в основном основаны на благородных металлах (особенно Pt). Таким образом, разработка стратегии минимизации содержания благородных металлов станет решающим шагом для того, чтобы сделать процесс получения водорода в реакции фоторасщепления воды более энергоэффективным и экономичным. Установление фундаментальных закономерностей “структура-активность” будет иметь решающее значение для синтеза новых активных фотокатализаторов на основе распространённых 3d металлов. Эту задачу сложно решить, поскольку большинство традиционных методов исследования поверхности трудно применять in situ при облучении образца ультрафиолетом, которое требуется для определения характеристик систем в рабочих условиях. Более того, для правильной интерпретации экспериментальных результатов требуется суперкомпьютерное моделирования высокого уровня. Машинное обучение (ML), широко применяемое в различных областях материаловедения, в том числе для анализа спектроскопических данных, включая ИК, УФ-видимый и рентгеновский диапазоны. В частности, Lansford и Vlachos разработали подход на основе машинного обучения для характеризации микроструктуры образца на основе особенностей ИК-спектра, возникающих из-за колебаний молекул проб, адсорбированных на разных участках поверхности. Несколько работ продемонстрировали потенциал ML по отношению к данным рентгеновской абсорбционной спектроскопии. Группа Френкеля (Стони Брук, США) натренировала нейросеть предсказывать функции радиального распределения для моно- и биметаллических НЧ. В рамках проекта Materials Project была разработана обширная теоретическая библиотека спектров кристаллических соединений, способная предсказывать тип локального окружения металла на основе его спектра XANES. Carbone и др. применили нейронные сети и дескрипторы главных компонент, чтобы различать тип локального окружения для серии 3d-переходных металлов. Коллектив настоящего проекта разрабатывает код pyFitIt для подбора и прогнозирования структурных параметров (степень окисления, расстояния и углы связи) на основе ML-анализа данных XANES. С развитием источников синхротронного излучения последнего поколения открываются новые возможности по operando исследованию фотокатализаторов рентгеноспектральными методами. Имеются примеры использования специальных газовых ячеек, в которых материал может быть одновременно подвергнут рентгеновскому и УФ излучению (doi: 10.1039/D0CP00654H, doi.org/10.1002/anie.201709552). Результаты проекта являются значимыми для достижения показателей подпрограммы 4 государственной программы и приоритетов научно-технологического развития Российской Федерации. Коллективом будут получены патенты на практические изобретения и полезные модели в области фотокатализа, разработанные в ходе реализации проекта. Будут опубликованы статьи в соавторстве с иностранными учеными, индексируемые в международных системах научного цитирования. Благодаря поддержке будет развиваться и успешно функционировать научный центр мирового уровня на базе института Интеллектуальных материалов ЮФУ (nano.sfedu.ru). Полученные фундаментальные знания уже в ходе реализации проекта лягут в основу новых технологий синтеза фотокаталитических материалов с улучшенными свойствами и методов operando диагностики при реалистичных технологических условиях.