DFT+MD+机器学习，研究氧化物衍生铜电催化剂中氧的稳定性与寿命

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