研究人员开发了自动过程探测器（APE），一种增强我们对原子和分子过程理解的方法。通过动态优化模拟，APE揭示了钯（Pd）表面氧化过程中的意外复杂性，提供了催化剂行为的新见解。
弗里茨·哈伯研究所的研究人员开发了自动过程探测器（APE），一种增强我们对原子和分子过程理解的方法。通过动态优化模拟，APE揭示了钯（Pd）表面氧化过程中的意外复杂性，提供了催化剂行为的新见解。
关键方面
• 创新方法： APE通过动态更新过程列表，精炼传统的动力学蒙特卡罗（kMC）模拟，减少偏差并揭示被忽视的原子运动。
• 显著发现： APE应用于钯（Pd）表面揭示了近3000个过程，突显出之前未检测到的复杂原子运动。
• 现实世界影响： APE的见解可以导致更高效的催化剂的发展，这对能源生产和污染控制至关重要。这意味着在汽车催化转换器等领域的应用，这些装置用于减少汽车的排放。
• 机器学习集成： APE利用机器学习的原子间势（MLIPs）来预测原子相互作用，提高模拟的准确性。
理解动力学蒙特卡罗模拟
动力学蒙特卡罗（kMC）模拟是研究原子和分子过程长期演化的关键方法。它们在表面催化等领域得到广泛应用，在这些领域，材料表面的反应对于开发加速能源生产和污染控制的有效催化剂至关重要。传统的kMC模拟依赖于预定义输入，这可能限制其捕捉复杂原子运动的能力。这正是自动过程探测器（APE）发挥作用的地方。
APE方法
APE由弗里茨·哈伯研究所的理论部门开发，通过根据系统当前状态动态更新过程列表，克服传统kMC模拟中的偏差。该方法鼓励探索新结构，促进结构探索中的多样性和效率。APE将过程探测与kMC模拟分开，使用模糊机器学习分类来识别不同的原子环境。这允许对潜在的原子运动进行更广泛的探索。
对钯氧化的新见解
通过将APE与机器学习的原子间势（MLIPs）结合，研究人员将其应用于钯（Pd）表面早期氧化，这是在污染控制中关键的系统。当应用于钯（Pd）表面的早期氧化——汽车催化转换器使用的关键材料，以减少排放时，APE揭示了近3000个过程，远远超过传统kMC模拟的能力。这些发现揭示了发生在催化中的分子过程相似时间尺度上的复杂原子运动和重组过程。
结论
APE方法提供了对钯表面氧化过程中重组的详细理解，揭示了之前未见的复杂性。这项研究增强了我们对纳米结构演化及其在表面催化中作用的知识。通过提高催化剂的效率，这些见解有望对能源生产和环境保护产生重大影响，为更清洁的技术和更可持续的工业过程作出贡献。
