这项发表在《自然·通讯》(Nature Communications)上的研究成果,可以帮助科学家开发更有效的催化剂,将CO2转化为甲醇等有用产品。该研究还揭示了一种氢参与此类反应的出人意料的方式,挑战了关于该过程机理的既有假设。
回收二氧化碳的一种有前景的方法是加氢反应,即利用催化剂帮助CO2与氢反应,生成甲醇等化学品。然而,该过程涉及在催化剂表面发生的数量庞大的单个反应。使用量子力学模拟每一个可能的步骤将需要巨大的计算能力,因此研究人员通常只关注被认为最重要的一小部分反应。这种简化可能会遗漏数百个潜在的关键反应。
"我们从所有从事机理建模的人都熟悉的一个担忧出发:你怎么知道你的反应网络没有遗漏掉那个至关重要的步骤?"第一作者Anand Mohan Verma说道。他在IISc担任CV Raman博士后研究员期间完成了这项研究,现任阿拉哈巴德莫蒂拉尔·尼赫鲁国立理工学院(MNNIT Allahabad)助理教授。
人工智能揭示数千个被忽视的化学反应
为了克服这一局限性,研究团队首先使用量子力学模拟构建了一个包含152个化学反应的详细数据库。然后,他们训练机器学习模型,以快速估算其他反应需要克服的能量势垒。
借助自动化计算工具,科学家们考察了催化剂表面上105种化学物种可能参与的反应。他们还确定了哪些转化可以在单个反应步骤中完成。这种方法使他们的反应网络从最初的152个反应扩展到了9,389个。
差异十分显著。当研究人员仅依靠较小的反应网络时,他们的模型错误地将甲酸而非甲醇识别为主要产物,并且预测的CO2转化率也大大低于实验结果。
"当我们最初使用所考虑的152个反应对该过程建模时,该网络错误地预测甲酸(而非甲醇)为主要产物,并低估了CO2的转化量。只有当我们把网络扩展到包含数千个额外的、此前被忽视的反应时,预测结果才与我们自己及其他研究团队的实验结果相吻合。"通讯作者、IISc化学工程系副教授Ananth Govind Rajan解释道。
扩展模型预测的CO2转化率提高40倍
当科学家们将更大的反应网络纳入化学反应速率模型后,预测的CO2转化量相比原始模型增加了约40倍。
扩展后的模型还正确地识别出甲醇和一氧化碳为主要产物,使其预测结果与实验发现相一致。
实验验证工作由印度斯坦石油有限公司绿色研发中心的G Valavarasu和Santhosh Kotni,以及新加坡科技研究局的Amol Amrute及其同事完成。IISc计算机科学与自动化系教授Ambedkar Dukkipati也为机器学习模型做出了贡献。
出人意料的氢路径挑战传统化学认知
除了改进预测结果之外,这个规模大得多的反应网络还揭示了一种涉及氢的意外机制。
在若干重要的反应步骤中,氢可以以分子H2的形式直接转移到中间化合物上,而不必仅仅通过单个氢原子进行转移。额外的量子力学计算证实,当氢转移到含氧中间体上时,这一途径尤其有利。
这一发现挑战了关于氢如何参与催化反应的长期假设,并可能为设计更优良的催化剂提供宝贵线索。
"氢可以作为一个完整的分子发生转移、而不必先分裂成原子,这一观点与我们大多数人所学到的知识相悖。"合著者、IISc化学工程系博士生Shivam Chaturvedi说,"这一现象之所以被发现,仅仅是因为反应网络的规模足够大,使其得以显现;而当我们回头对这些步骤进行显式计算时,这一观察结果得到了证实。这也表明,与H2相互作用更强的催化剂可能会增强通往甲醇的路径。"
研究人员认为,这一意外机制可以为开发与分子氢更有效相互作用的催化剂提供指导,从而有望改善由CO2生产甲醇的化学路径。
这一更广泛的计算框架的用途也远不止于二氧化碳加氢反应。通过整合量子力学模拟、机器学习、化学反应的自动识别以及反应速率模型,该方法可以帮助研究人员研究其他重要的工业过程。
潜在应用包括使用不同催化剂的CO2还原、氮还原以及水分解。通过揭示较简单模型可能遗漏的化学步骤,该技术为科学家提供了复杂催化反应更完整的图景,以及改进燃料和化学品生产工艺的新机会。