Insights into the Stability of Single-Atom Catalysts on Doped Carbon Using Machine Learning Techniques

Abstract

El desenvolupament de tecnologies sostenibles és crucial per superar els reptes ambientals i fomentar el progrés socioeconòmic. Els catalitzadors d'àtoms individuals (SACs) ofereixen una activitat i selectivitat excepcionals, però la seva estabilitat continua sent un repte clau en el disseny de catalitzadors. Les tècniques convencionals de caracterització i síntesi tenen dificultats per identificar amb precisió els llocs actius a causa de les àmplies configuracions dels SACs, mentre que la projecció de gran capacitat basada en la teoria del funcional de densitat es veu limitada pel cost computacional i el temps. En aquest treball, s'utilitza un enfocament multinivell, integrant l'aprenentatge automàtic amb mètodes computacionals, per investigar sistemàticament l'estabilitat dels SACs sobre carboni dopat. Es desenvolupa un marc d'aprenentatge automàtic per identificar els principals descriptors d'estabilitat, capturant la interacció entre els metalls i els suports. Es deriva una formulació d'energia d'adsorció, revelant les contribucions covalents i iòniques que regeixen l'estabilitat. L'anàlisi de l'estructura electrònica destaca la influència de l'especiació de l'azot en les propietats electròniques dels SACs, mentre que les tècniques de reducció de dimensionalitat descobreixen regions de similitud electrònica. S'avalua la transferibilitat dels descriptors d'estabilitat en catalitzadors d'àtoms dobles, demostrant la seva aplicabilitat a sistemes més complexos. Finalment, s'examina el mecanisme de desactivació dels grups Fe-NxCy en condicions de reacció de reducció d'oxigen, revelant l'efecte desestabilitzador de les espècies reactivades d'oxigen sobre els enllaços metall-suport. S'identifica un entorn de coordinació d'azot de quatre àtoms com la configuració més robusta. Aquest estudi avança en el disseny de catalitzadors aprofitant l'aprenentatge automàtic i la química computacional per dilucidar els factors d'estabilitat dels SACs. Els resultats proporcionen informació útil per desenvolupar catalitzadors més robustos, eficients i sostenibles per a aplicacions energètiques i mediambientals.

El desarrollo de tecnologías sostenibles es crucial para superar los desafíos ambientales y fomentar el progreso socioeconómico. Los catalizadores de átomos individuales (SACs) ofrecen una actividad y selectividad excepcionales, pero su estabilidad sigue siendo un desafío clave en el diseño de catalizadores. Las técnicas convencionales de caracterización y síntesis tienen dificultades para identificar con precisión los sitios activos debido a las vastas configuraciones de los SACs, mientras que la proyección de alta capacidad basada en la teoría del funcional de densidad se ve limitada por el costo computacional y el tiempo. En este trabajo, se emplea un enfoque multinivel, integrando aprendizaje automático con métodos computacionales, para investigar sistemáticamente la estabilidad de los SACs sobre carbono dopado. Se desarrolla un marco de aprendizaje automático para identificar los principales descriptores de estabilidad, capturando la interacción entre los metales y los soportes. Se deriva una formulación de energía de adsorción, revelando las contribuciones covalentes e iónicas que rigen la estabilidad. El análisis de la estructura electrónica destaca la influencia de la especiación del nitrógeno en las propiedades electrónicas de los SACs, mientras que las técnicas de reducción de dimensionalidad descubren regiones de similitud electrónica. Se evalúa la transferibilidad de los descriptores de estabilidad en catalizadores de átomos dobles, demostrando su aplicabilidad a sistemas más complejos. Finalmente, se examina el mecanismo de desactivación de los grupos Fe-NxCy en condiciones de reacción de reducción de oxígeno, revelando el efecto desestabilizador de las especies reactivas de oxígeno sobre los enlaces metal-soporte. Se identifica un entorno de coordinación de nitrógeno de cuatro átomos como la configuración más robusta. Este estudio avanza en el diseño de catalizadores al aprovechar el aprendizaje automático y la química computacional para dilucidar los factores de estabilidad de los SACs. Los hallazgos proporcionan información útil para desarrollar catalizadores más robustos, eficientes y sostenibles para aplicaciones energéticas y medioambientales.

Developing sustainable technologies is crucial for overcoming environmental challenges and driving socioeconomic progress. Single-atom catalysts (SACs) offer exceptional activity and selectivity, yet their stability remains a key challenge in catalyst design. Conventional characterization and synthesis techniques struggle to precisely identify active sites due to the vast configurations of SACs, while density functional theory based high-throughput screening is constrained by computational cost and time. Here, a multilevel approach is employed, integrating machine learning with computational methods, to systematically investigate the stability of SACs on doped carbon. A machine learning framework is developed to identify key stability descriptors, capturing the interplay between metal and support interactions. An adsorption energy formulation is derived, revealing the covalent and ionic contributions governing stability. Electronic structure analysis highlights the influence of nitrogen speciation on SACs electronic properties, while dimensionality reduction techniques uncover regions of electronic similarity. The transferability of the stability descriptors is assessed in dual-atom catalysts, demonstrating their applicability to more complex systems. Finally, the deactivation mechanism of Fe-NxCy moieties under oxygen reduction reaction conditions is examined, revealing the destabilizing effect of reactive oxygen species on metal-host bonds. A four-fold nitrogen coordination environment is identified as the most robust configuration. This study advances catalyst design by leveraging machine learning and computational chemistry to elucidate SAC stability factors. The findings provide actionable insights for developing more robust, efficient, and sustainable catalysts for energy and environmental applications.