ACS Catalysis: 机器学习+第一性原理揭示Re/Cs协同促进Ag催化剂上的乙烯环氧化机制

Re和Cs共同促进Ag催化剂导致环氧乙烷（EO）选择性高于单独使用任何一种促进剂所能达到的选择性。然而，这种协同促进背后的原子和电子机制仍不清楚。

在此，新加坡科技研究局化学与工程科学研究所Armando Borgna及高性能计算研究所Jia Zhang等人结合了实验、机器学习（ML）加速分子动力学（MD）模拟及原子催化剂模型的几何和电子特性的第一性原理表征，以了解实验观察到的Re和Cs促进剂对Ag催化剂上的乙烯环氧化的协同效应。

通过构建结构-选择性关系，作者揭示了由Re和Cs共同促进实现的高EO选择性可能是由于几何和电子效应。首先，ReO₄*充当分子间隔物将Cs*均匀分散在整个表面，从而最大限度地提高Cs的促进作用并防止CsCl盐的形成。其次，结合吸电子ReO₄*和给电子Cs* 可以实现从促进剂到催化剂的最佳电荷转移量。这可以防止形成促进EO异构化的过度亲电Ag中心和燃烧乙烯的过度亲核O*。因此，由促进剂转移到催化剂上的电荷是EO选择性的一个可能描述。

图1. 用于ML加速MD模拟的主动学习算法的示意图

非均相催化系统可能非常复杂，合金催化剂、不同载体和多种促进剂的使用只是使这些系统难以使用第一性原理计算建模的一些因素，尤其是由于在巨大的配置空间中确定现实的原子催化剂模型的成本过高。

因此，这项研究提出的通用框架可以在低成本但高度准确的机器学习原子间势能（ML-IAP，即以ML方法拟合第一性原理数据的势能，使其能够以低第一性原理计算成本实现高准确性）的帮助下快速定位基态配置，这可能是解决这个问题并进一步了解复杂催化系统（如溶剂化电催化剂和负载纳米粒子）的第一步，以用于许多其他工业感兴趣的反应。

图2. 获取和表征真实催化剂模型的计算工作流程

Unraveling the Synergistic Effect of Re and Cs Promoters on Ethylene Epoxidation over Silver Catalysts with Machine Learning-Accelerated First-Principles Simulations, ACS Catalysis 2022. DOI: 10.1021/acscatal.1c05419