作者信息
第一作者:Zan Lian
通讯作者:Núria López
通讯单位:加泰罗尼亚化学研究所
成果速览
本研究通过大规模分子动力学模拟结合精确的神经网络势能,探讨了氧化物衍生铜(OD-Cu)在电化学CO2还原反应中的氧浓度稳定性与寿命。
研究发现,OD-Cu的氧浓度与pH值、电位和比表面积密切相关。在长时电化学实验中,OD-Cu可完全还原为铜,但去除所有捕获的氧需较长时间。该研究为理解OD-Cu催化剂的演变和活性位点的本质提供了深刻见解。
图文导读
图1:展示了构建神经网络势能的计算模拟方法,包括数据收集的两个阶段和通过主动学习过程进行的迭代。
图2:揭示了在不同pH值、电位和比表面积条件下,Cu2O到Cu的还原过程中氧的分布和反应能量。
图3:展示了OD-Cu中氧分布的演变以及氧扩散动力学,包括氧在Cu壳层中的扩散路径分析。
图4:通过图论识别了不同的活性位点,并展示了这些位点上氧解吸能量的分布。
亮点介绍
1. 揭示了OD-Cu催化剂在不同实验条件下氧浓度的变化规律,表明pH、电位和比表面积是影响氧浓度的关键因素。
2. 通过大规模分子动力学模拟,首次详细分析了氧在OD-Cu中的扩散动力学,为理解催化剂的结构动态提供了新的视角。
3. 研究结果表明,尽管在实验条件下Cu表面会重构,但表面氧原子并不稳定,这与常见的实验条件有关。
4. 通过图论方法识别了多种活性位点,为设计和优化CO2电化学还原催化剂提供了重要的结构信息。
计算模拟
本研究中使用第一性原理计算和分子动力学模拟的计算模拟,旨在研究氧化铜衍生的铜(OD-Cu)在电化学二氧化碳还原反应中的行为。
第一性原理计算:利用Vienna Ab initio Simulation Package(VASP)执行密度泛函理论(DFT)模拟。采用Perdew–Burke–Ernzerhof (PBE) 交换关联泛函,加上重新拟合的DFT-D2范德华力参数。这些计算主要用于生成初始训练数据集,为后续的神经网络势(NNP)提供基础数据。
分子动力学模拟:结合活性学习技术和高维神经网络势(HDNNP)进行大规模分子动力学模拟。利用n2p2软件包构建HDNNP,该包是基于LAMMPS模拟软件的一个接口,用于执行NNP驱动的分子动力学(MD)模拟。模拟包括等温等压(NPT)和等温等容(NVT)集合,以研究OD-Cu的氧含量和分布,以及氧原子的扩散行为。
机器学习:采用活性学习方法,结合初始的DFT数据和后续通过MD模拟得到的数据,不断优化和训练神经网络势。这个过程旨在提高模拟精度,使之能够准确反映实验条件下OD-Cu的行为。 这些计算模拟方法的组合不仅提供了对OD-Cu在CO₂还原反应中行为的深入理解,也展示了机器学习和高性能计算在理解和设计新型催化剂中的潜力。 通过这些高级的计算方法,研究团队能够揭示OD-Cu催化剂在不同条件下的稳定性、氧分布和动态变化,为设计更高效、更稳定的电化学催化剂提供了重要的理论指导。
文献信息
标题:Stability and lifetime of diffusion-trapped oxygen in oxide-derived copper CO₂ reduction electrocatalysts
期刊:Nature Catalysis