平面配位对称诱导高密度Pt单原子,助力催化碱性HOR

1049 篇文章 1 订阅
162 篇文章 0 订阅

eeab6a63119bc739d789db5f2de86939.jpeg 尽管近年来在开发非铂基金属(PGM)催化剂方面做出了巨大的努力,但高效的氢氧化物交换膜燃料电池(HEMFCs)仍然依赖于PGM催化剂。为了减少PGM基催化剂中贵金属的使用,人们对催化剂进行了大量的修饰工作,例如引入异质结构、缺陷工程和掺杂等。其中,单原子催化剂具有极高的原子效率,可将其用于解决上述问题。与三维材料相比,二维单原子材料具有更多的表面暴露量,在促进反应物质和电子转移方面具有显著的优势。然而,二维单原子材料制备主要依靠载体的固有缺陷来捕获金属原子,这阻碍了高密度单原子材料的生产。因此,开发一种简单有效的方法来增强催化剂的表面缺陷,实现高密度单原子催化剂的合成具有实际意义。

  4a27826547bbccdc9e545ea0a71882a3.jpeg


c75fbcb417c4de93eb64c3d8a5cd574b.jpeg

近日,中国科学技术大学吴宇恩课题组在不改变配体的情况下,通过盐辅助方法将ZIF-8的四面体结构转化为配位平面正方形;并且,在随后的碳化过程中,随着Zn原子的蒸发,氮掺杂碳载体(NC载体)的结构经历了从五元环到六元环的转变,以保持二维结构。碳化后,二维NC(2d-NC)载体主要包含六元环内的吡啶N,而3d-NC载体在五元环内含有较高比例的吡咯N,以及不能用于配位的石墨N。这种转变导致在2d-NC载体上产生额外的缺陷位点。因此,利用2d-NC载体的结构特点,可以通过电沉积精确制备具有平面配位对称性的Pt单原子催化剂(2d-Pt SAC)。

                c6c8a956ecd8bdc9a14db9254a18434e.jpeg

363754ae6146611fdcafc2038151ec05.jpeg

实验结果表明,2d-Pt SAC的Pt负载量为0.49±0.03 μg cm-2,高于3d-Pt SAC的Pt负载(0.37±0.04 μg cm-2)。在电催化氢氧化反应(HOR)过程中,2d-Pt SAC的交换电流密度为1.47 mA cm-2;同时,该催化剂在50 mV的过电位下获得了2396 AgPt-1的质量活性(比商业Pt/C催化剂高32倍,比3d-Pt SAC高两倍)。 基于实验和理论计算,平面配位结构的性能优势是由于活性位点数量的增加和空间位阻效应,平面配位结构有利于H的吸附;而3d-Pt SAC的四面体结构对H2的吸附较为困难,说明其空间构型不利于HOR反应。总的来说,该项工作阐明了配位对称性对单原子催化剂性能的影响,为设计具有成本效益和高活性的HOR电催化剂提供了理论指导。

Symmetry evolution induced two-dimensional Pt single atom catalyst with high density for alkaline hydrogen oxidation. Advanced Materials, 2024. DOI: 10.1002/adma.202404672

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值