基于电场依赖机器学习势函数的氧化铜衍生催化剂电化学合成氨研究

《Chinese Journal of Catalysis》:Electrochemical ammonia synthesis over copper oxide derived catalysts studied by electric field dependent machine learning potential

【字体: 大 中 小 】 时间:2026年09月26日 来源:Chinese Journal of Catalysis 17.2

编辑推荐:

   摘要近年来,电催化硝酸盐还原制氨(eNO3RR)作为在温和条件下绿色合成氨的替代途径备受关注。然而,该过程在低过电位下的催化活性和选择性仍然较低。在所有催化剂中,铜基催化剂在eNO3RR中表现出最佳性能。此外,铜氧化物催化剂在eNO3RR过程中可发生还原,表现出多种催化性能和

  

摘要

近年来,电催化硝酸盐还原制氨(eNO3RR)作为在温和条件下绿色合成氨的替代途径备受关注。然而,该过程在低过电位下的催化活性和选择性仍然较低。在所有催化剂中,铜基催化剂在eNO3RR中表现出最佳性能。此外,铜氧化物催化剂在eNO3RR过程中可发生还原,表现出多种催化性能和晶面依赖性。为了阐明铜氧化物电极的结构演变和催化行为,我们开发了一种电场依赖的等变机器学习势(MLP),用于模拟电极表面在电还原条件下的演变。通过巨正则蒙特卡洛(GCMC)模拟,在不同反应条件下模拟了不同铜氧化物表面的还原过程。研究发现,不同氧化物表面还原后的表面含有不同比例的3配位铜和4配位铜活性位点。随后,对这些活性位点的反应机理进行了研究。具有缺陷的3配位铜位点表现出最佳性能,表明Cu2O(111)表面在反应条件下可被选择性还原为以3配位铜为主的结构,应能对eNO3RR表现出最佳的催化性能。

引言

Haber-Bosch工艺带来了氮基经济并改变了世界[1]。然而,人类活动大量加速的化石燃料燃烧导致了大量氮基环境问题[2]。全球近90%的氮肥为NH4+,随后可被硝化细菌氧化为NO3–[3]。这导致近海水体富营养化,在全球范围内形成巨大的缺氧区[4]。因此,解决人为氮循环失衡,特别是NO3–的积累,具有重要的科学和环境意义[5, 6]。电催化硝酸盐还原制氨(eNO3RR制NH3)是一种有前景的途径,它兼具硝酸盐治理的绿色策略和可持续氨合成方法的 dual 利益[5, 7]。
在所有催化剂中,铜基催化剂在eNO3RR中表现出显著性能[8, 9],对氨的法拉第效率高达95%以上[10, 11, 12, 13]。实验观察表明,金属铜上的eNO3RR具有晶面和pH敏感性[14]。在酸性条件下,Cu(111)晶面相对于Cu(100)表现出更正的起始电位[15]。在反应条件下的Cu(111)上发现了表面重构[16]。此外,发现抛光和电化学粗化的Cu比Cu(100)表现出更高的活性[17]。在碱性介质中,硝酸盐首先被还原为亚硝酸盐,随后在更正的电位下被还原为氨[18]。后来,揭示了铜基催化剂抑制析氢反应的卓越能力[19]。此外,发现铜氧化物催化剂可被原位还原并表现出多种性能。据报道,CuO纳米线阵列是高性能的eNO3RR催化剂,法拉第效率达95.8%[11]。原位表征技术检测到电还原过程引起的催化材料结构演变,并被认为是催化性能提高的根源。随后,研究了多种铜氧化物衍生的催化剂,包括氧化物衍生的Cu[20]、Cu2O纳米线[21]、凹凸Cu纳米线[22]、立方Cu2O[21, 23]、立方Cu2O薄膜[24]、CuO纳米带[10]、Cu2O纳米棒[25]。其中大多数表现出比金属Cu或原始CuO更好的性能。然而,尽管原位表征技术迅速发展,反应条件下的原子表面结构仍无法确定。在本工作中,我们旨在以第一性原理精度模拟铜和铜氧化物电极的演变。本研究旨在解决以下基本问题:铜基催化剂在电催化还原条件下如何演变?真实的活性位点是什么,催化性能如何随结构演变而变化?
一个关键挑战在于模拟具有电极电位的固液界面。虽然已有各种方法在开发中解决此问题,但理论框架各不相同。值得注意的是,反离子方法经常被使用,其中碱金属或卤素原子被策略性地放置在界面附近以产生电势并有效地对电极充电[26, 27]。此外,已报道了基于反离子方法的机器学习模型[28]。然而,难以获得给定的电极电位:离子数量只能离散变化。巨正则方法是最"直接"的方法。实现巨正则方法的一种方式是通过改变电子数,从而直接控制费米能级并保持恒定电位[29]。也有相关的机器学习模型被报道[30]。然而,该方法需要准确预测电荷。一些研究人员使用电荷平衡方案分配电子,但半局域近似限制了其在电解质中的精度。Cheng等人[31]采用深Wannier模型和经典Siepmann-Sprik模型分别描述电解质和金属电极。然而,有限场方法提供了一种替代方案,通过直接对整个系统施加外部电场[32, 33]。该方法自然满足电中性且实际成本低,对费米能级振荡也不敏感。鉴于大多数MLP在准确模拟可变电荷状态方面的固有限制,实施巨正则密度泛函理论(GC-DFT)方案尤其具有挑战性。因此,本工作采用场控方案来模拟恒电位条件。
在本工作中,开发并训练了一种改进的NequIP[34] MLP,用于描述电场中铜基催化剂的力和能量。采用巨正则蒙特卡洛(GCMC)[35]方法模拟恒电位下铜基催化剂的演变。我们的模拟表明,不同的初始表面(例如CuO(111)、CuO(100)、Cu2O(111)和Cu2O(100))根据溶剂化环境(有无硝酸盐)和施加的电位(0——1 V vs. 可逆氢电极(RHE))演变为不同的表面结构。采用基于广义配位数(GCN)[36]的统计分析方法来确定这些不规则表面的活性位点分布。最后,研究了四种典型活性位点(缺陷3配位Cu、缺陷4配位Cu、完美3配位Cu和完美4配位Cu)的eNO3RR性能。

章节片段

恒电位模拟

电化学反应的驱动力与双电层(EDL)相关。EDL内的电场被认为是电化学性能的根源[37, 38]。在本工作中,通过在电中性系统上施加自适应电场实现恒电位模拟。为了模拟表面演变,我们采用了亥姆霍兹EDL模型,该模型假设反应平面的电化学条件对应于恒定的

eNequIP性能

eNequIP的性能在Cu-O数据集上进行了评估。如图2所示,在从–0.75到0.75 V/?的外部电场下,模型对12至632个原子的薄片的能量预测达到了4.2 meV/atom的均方根误差(MAE)。力预测同样准确,MAE为0.052 eV/?。还考察了绝对误差随施加电场的分布(图S31),显示出始终较低的误差

结论

在本工作中,我们首先开发了一种基于NequIP的场诱导机器学习原子间相互作用势模型。训练了Cu-O催化体系电场依赖的势,MLP表现出良好的精度并捕捉到了电场效应。通过施加电场的实时自适应调整,可以开展电极表面的恒电位模拟。eNequIP框架具有普适性,可推广到其他催化体系

电子支持信息

支持信息可在本文在线版本中获得。
付晓艳|卢东|杨晨宇|肖建平
催化国家重点实验室,中国科学院大连化学物理研究所,辽宁大连116023,中国
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号