Accuracy evaluation of neural network potentials for simulations of platinum nanocluster at hydroxylated silica interfaces

Abstract

Supported platinum nanoparticles are important heterogeneous catalysts in many industrial processes, but their activity is strongly affected by particle diffusion and sintering mechanisms which lead to deactivation of the catalyst. To stabilise Pt nanoparticles, it is necessary to understand the reactive interactions of Pt with its support material, e.g., hydroxylated silica and defect-containing zeolites. Realistic simulations of such catalysts at the relevant timescales can be achieved with Neural Network Potentials (NNP) which retain ab initio accuracy at about 103 times lower computational costs compared to density functional theory (DFT) calculations. However, NNPs have only limited transferability to systems not included in the training database. Therefore, in this work recently developed SchNet NNPs were thoroughly tested. These NNPs were trained on a diverse set of Pt and defect-containing zeolites and hydroxylated silica surfaces. Firstly, the DFT database was extended by an active learning approach to accurately model the surfaces of α-quartz, MWW as well as the 2D zeolite layer IPC-1P (hydrolysis product of UTL). The NNPs trained on the new DFT database were then tested using MD simulations of systems unseen during the training procedure. These systems include a silanol nest containing...

Podepřené platinové nanočástice jsou důležité heterogenní katalyzátory pro velkou řadu průmyslových procesů, nicméně jejich aktivita je velmi ovlivněna difúzí částic a slinováním, které vedou k deaktivaci katalyzátoru. Pro stabilizaci platinových nanočástic je potřeba detailní znalost reakčních interakcí mezi platinou a jejím podpírajícím materiálem, jako je např. hydroxylované křemičité povrchy a defektní zeolity. Realistických simulací těchto katalyzátorů relevantních časových úseků může být dosaženo pomocí potenciálů neuronových sítí (NNP), které zachovávají přesnost ab initio metod za zhruba 103 krát menší výpočetní cenu v porovnání s výpočty za pomoci teorie funkcionálu hustoty (DFT). Ačkoliv mají NNP jen omezenou přenosnost na systémy, které nebyly zahrnuty v tréninkové databázi. Proto, v této práci jsou důkladně testovány nově vyvinuté SchNet NNP. Tyto potenciály byly trénovány na rozmanité sadě platiny a defektních zeolite a hydroxylovaných křemičitých površích. Nejprve byla DFT databáze rozšířena pomocí aktivního učení pro přesné modelování povrchů α-quartz, MWW a 2D zeolitové vrstvy IPC-1P (produkt hydrolýzy zeolite UTL). Potenciály vytrénované na nové DFT databázi byly poté testovány pomocí simulací molekulové dynamiky systémů, které byly dosud neviděné během trénovacího procesu. Tyto...