AI 臨近？加速電催化劑篩選的高通量納米沉積系統

引言

堿性水電解作為一種重要的電化學(xué)反應，可作為大規模產(chǎn)生氫氣的可行候選方式（僅次于質(zhì)子交換膜）。通過(guò)對水電解催化劑進(jìn)行篩選，可制備與傳統方式相比更為高效的電極材料，從而確定下一步研發(fā)所需的材料體系。

為此，Avantium Chemicals BV 與荷蘭 VSParticle 公司合作，基于火花燒蝕納米印刷沉積系統和電化學(xué)高通量篩選裝置組合進(jìn)行了堿性水電解催化劑的篩選實(shí)驗。經(jīng)過(guò)驗證，這一裝置組合能夠在工業(yè)化電流密度下的流體動(dòng)力學(xué)條件下制備和篩選電極材料。這表明該裝置不僅適用于篩選最佳催化劑和穩健的催化劑制備，而且還可用于優(yōu)化更大規模的實(shí)驗。

用于快速篩選電催化劑的高通量電化學(xué)平臺

Part 1 實(shí)驗內容介紹

在該實(shí)驗中，研究人員利用火花燒蝕技術(shù)生成具有催化活性的納米粒子，并通過(guò)惰性載氣將其傳輸并直接沉積到電極上。這種方法的優(yōu)勢在于納米顆粒的表面不與封端劑或配體發(fā)生反應，因此它們可以輕松地附著(zhù)在電極襯底上，而無(wú)需使用濕法沉積所需的粘合劑、后處理或其他流程。

可通過(guò)改變 8×8 電極矩陣中的兩個(gè)參數來(lái)進(jìn)行實(shí)驗：一是通過(guò)調節火花納米顆粒催化劑發(fā)生器的相對功率來(lái)改變 Fe/Ni 比率，二是通過(guò)控制沉積時(shí)間來(lái)調節 Ni 和 Fe 納米粒子混合膜在鍍鎳基底上的膜厚度。值得一提的是，火花放電的燒蝕速率與輸入功率成正比。此外，火花燒蝕與納米材料打印的結合還使我們能夠以可控、快速、精準的方式改變其他參數，例如顆粒尺寸、薄膜形態(tài)以及單個(gè)顆粒的成分。

火花燒蝕技術(shù)可以產(chǎn)生 20000K 的高溫放電通道，使靶材材料跨越液化過(guò)程從而實(shí)現直接氣化。

電化學(xué)裝置 

系統由 64 個(gè)平行板電化學(xué)流通池組成，陽(yáng)極室和陰極室之間通過(guò)膜隔開(kāi)。這些單元可以采用矩陣尋址方法進(jìn)行順序或批量并行操作，從而最小化成本并實(shí)現向更大電極矩陣的擴展。

串聯(lián)運行：電解液被泵擠入第一個(gè)通道，再從那里進(jìn)入第二個(gè)通道，依此類(lèi)推，然后從第八個(gè)通道流出，一次測量一個(gè)電池。

并行流運行：其中一個(gè)傳入流被分成八個(gè)流，并引入每個(gè)分通道。此配置用于半并行操作，可同時(shí)測量八個(gè)電池。

火花燒蝕納米印刷沉積系統 

催化劑篩選效率受多種因素制約，其中包括高通量篩選系統和多組分催化劑快速合成的挑戰。傳統化學(xué)方法在電催化劑合成方面面臨著(zhù)困難，因為電催化劑通常涉及多種比例的金屬和氧化物組合，需要進(jìn)行多批次的合成。此外，由于篩選過(guò)程中使用的催化劑量較少，每次合成都會(huì )產(chǎn)生大量浪費。此外，可重復合成多種組分的電催化劑也是一個(gè)重要指標。

采用火花燒蝕技術(shù)的方法，可以快速制備多種納米級金屬、合金和氧化物顆粒催化劑，催化劑初始粒徑可控制在 0-20nm 范圍內（可參考文章：《閃電也能制備納米材料，火花簡(jiǎn)史Ⅰ》）。結合干法沖壓沉積模塊，即可在任意平面基底表面實(shí)現選區薄膜打印沉積（可參考文章：《VSPARTICLE 干法納米打印技術(shù)，加速材料研發(fā)進(jìn)程》）。

在這個(gè)方案中，研究者使用兩臺納米顆粒催化劑發(fā)生器 VSP-G1 分別制備 Ni 和 Fe 催化劑，并調節它們的生成比例，然后在 64 個(gè) dots 上沉積了多種組分的催化劑。

利用兩臺納米顆粒催化劑發(fā)生器混合 Ni/Fe 催化劑后使用氣溶膠沉積打印在 8×8 陣列樣品池中

堿性電解水測試 

在堿性水電解實(shí)驗中，只有電池電位一個(gè)輸出變量。通過(guò)在八種不同的沉積時(shí)間中沉積八種不同比例的鎳和鐵納米粒子，使用火花燒蝕制備了 64 個(gè)不同比例的陽(yáng)極催化劑（而陰極則使用鎳）。在電解液（30% KOH）中，陽(yáng)極和陰極之間通過(guò)增強聚苯硫醚（PPS）膜隔開(kāi)并循環(huán)。當電流密度增加到 200 mA/cm² 后，電池電位通常在兩小時(shí)內穩定在 2.3 至 2.6 V。

堿性水電解實(shí)驗中使用的納米顆粒沉積物的參數水平。通過(guò)調節兩臺發(fā)生器的相對功率來(lái)改變沉積物中的 Ni / Fe 比，保持總功率恒定

實(shí)驗采用半平行配置，同時(shí)測量 8 個(gè)電極。陽(yáng)極電解液和陰極電解液流道中的八個(gè)流是通過(guò)使用 1-8 歧管和八個(gè)毛細管產(chǎn)生的，以產(chǎn)生 0.6 bar 的壓降，從而在所有八個(gè)通道中產(chǎn)生相等的流量。在去除異常值后，繪制了穩定電池電勢與兩個(gè)不同參數的關(guān)系圖（見(jiàn)下圖 A 和 B）。從圖中可以看出，電勢隨著(zhù)納米顆粒催化劑組合物中的鎳含量（即產(chǎn)鎳發(fā)生器的輸出功率）線(xiàn)性增加，同時(shí)隨著(zhù)沉積時(shí)間的增加呈對數減少，直至達到 160 秒后再次開(kāi)始增加。圖 C 中的等值線(xiàn)圖更清楚地顯示了這種現象，可以發(fā)現在電池電位為 2.35V 的最佳催化劑沉積條件區域（鎳含量為 0% 時(shí)，即鐵含量為 100%）的沉積時(shí)間約為 100 秒。

A,B 去除異常值后的電位變量圖。C 等高線(xiàn)圖顯示電池電位隨 Ni / Fe 發(fā)生器功率比和沉積時(shí)間的變化。

小結

測試數據顯示，Ni / Fe 比率和沉積時(shí)間對電池電位有顯著(zhù)影響。隨著(zhù)鎳納米粒子的百分比增加，電勢增加，但性能下降得越明顯。此外，較長(cháng)的沉積時(shí)間導致較低的電池電位，但在一定的沉積時(shí)間范圍內，電池電位會(huì )再次增加。結果表明，隨著(zhù)鐵含量的增加，鐵納米顆粒覆蓋了鎳層，改善了催化作用，但過(guò)多的鐵會(huì )導致催化效率下降。

總的來(lái)說(shuō)，結合電化學(xué)篩選平臺和火花燒蝕沉積技術(shù)，可以有效地對電解水制氫催化劑進(jìn)行篩選。這一方法不僅能夠優(yōu)化催化劑的性能，還能為催化劑的生產(chǎn)和更大規模的測試提供重要支持。

Part 2 材料的 AI 時(shí)代已經(jīng)來(lái)臨

人工智能正在引發(fā)材料研發(fā)的新革命。谷歌旗下的 Graph Networks for Materials Exploration（GNoME）在 2023 年年底發(fā)布了一項研究，成功尋找到了 38 萬(wàn)余個(gè)熱力學(xué)穩定的晶體材料。這一成果相當于為人類(lèi)增加了 800 年的智力積累，極大地加快了發(fā)現新材料的研究速度。

科技公司已經(jīng)看準了相同的技術(shù)路線(xiàn)：（1）首先，他們通過(guò)理論計算獲取材料科學(xué)數據；（2）然后，利用高通量計算生產(chǎn)海量數據；（3）接著(zhù)，將這些數據輸入到人工智能模型中進(jìn)行訓練；（4）最后，利用這些訓練有素的模型推理未知材料的性能。這種整合了理論計算、高通量計算和人工智能的方法極大地加速了材料研發(fā)過(guò)程，為新材料的發(fā)現和應用提供了更廣闊的可能性。

GNoME 數據集宣稱(chēng)找到了 384781 種熱力學(xué)穩定的無(wú)機材料，大部分來(lái)自人類(lèi)很少涉足的元素組合，且大部分是金屬化合物。

電催化劑的開(kāi)發(fā)越來(lái)越依賴(lài)于低成本材料體系開(kāi)發(fā)和合成技術(shù)的進(jìn)步。因此，利用高通量方法實(shí)現材料的自動(dòng)化、可重復生成，可以進(jìn)一步幫助大模型的訓練和學(xué)習。在宏觀(guān)尺度上，金屬存在不互溶的現象，但在更小的納米及原子尺度上，存在著(zhù)更多可能的合金材料。VSParticle 采用的火花燒蝕放電技術(shù)能夠實(shí)現原子及納米尺度的材料混合，而且在僅更換靶材的情況下就能夠實(shí)現多種材料體系的合成。這種方法也有效地解決了傳統化學(xué)合成效率低、可重復性差的問(wèn)題，從而進(jìn)一步推動(dòng)了大數據模型的自主學(xué)習效率。

火花燒蝕技術(shù)可以產(chǎn)生多種組分納米顆粒，是無(wú)機納米材料大數據模型建立的重要參考技術(shù)之一

同時(shí) VSParticle-P1 納米印刷沉積系統，可以實(shí)現無(wú)機納米結構材料的打印直寫(xiě)或沉積，并可提供打印不同成分和厚度的納米多孔層的選項，可廣泛應用于電催化，傳感器，線(xiàn)路互聯(lián)，增強拉曼等領(lǐng)域。

參考文獻

【1】 Becker R, Weber K, Pfeiffer T V, et al. A scalable high-throughput deposition and screening setup relevant to industrial electrocatalysis[J]. Catalysts, 2020, 10(10): 1165.

【2】 A. Merchant, S. Batzner, S. S. Schoenholz, M. Aykol, G. Cheon, and E. D. Cubuk, “Scaling deep learning for materials discovery,” Nature, vol. 624, no. 7990, pp. 80–85, Dec. 2023, doi: 10.1038/s41586-023-06735-9.