Fitxers
Tipus de document
TesiVersió
Versió publicadaData de publicació
Llicència de publicació
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/230095
Development and Application of Advanced Computational Methods for Predicting the Structure and Properties of Nanoparticles
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[eng] This thesis develops and applies advanced computational strategies for modeling multimetallic nanoparticles under catalytic conditions. The work is motivated by the limitations of traditional first-principles approaches, such as density functional theory (DFT), which are computationally expensive for large and complex systems. To address this, the thesis combines surrogate energy models (SEMs), machine learning interatomic potentials (MLIPs), global optimization algorithms, sampling methods, and uncertainty quantification strategies into efficient workflows for structure prediction and reactivity analysis. The research is divided into two main contributions: methodological development and workflow implementation. On the methodological side, three open-source Python libraries were developed: npl, mcpy, and bayesian-aenet. The npl library was extended to include two new descriptors: the Atomic Coordination Types (ACTs) and the Extended Topological Descriptor (ETOP), which enable the characterization of chemical ordering in bimetallic and multimetallic nanoparticles. These descriptors serve as the foundation for training SEMs used for global optimization of nanoparticle compositions. The mcpy library enables Monte Carlo (MC), Grand Canonical Monte Carlo (GCMC), and Replica Exchange (RE) simulations with MLIPs. It includes optimizations such as on-the-fly structural relaxation and efficient free volume estimation. This framework was used to construct oxidation phase diagrams of Ag(111) surfaces and Ag140 nanoparticles, showing qualitative agreement with DFT results when using the MACE potential. The bayesian-aenet library implements Bayesian neural network (BNN) training for MLIPs and enables the estimation of predictive uncertainty. A comparative study showed that deep ensembles offer superior performance overall, while Bayesian approaches can provide more informative uncertainty estimates in data-scarce regimes. These tools were applied to the study of chemical ordering and reactivity in PtAu, PtCu, PdZn, and PtNiZr nanoparticles. For example, in PdZn, optimal HER activity was linked to the presence of Pd3 hollow sites, while Zr doping in PtNi was shown to enhance catalyst stability. In summary, this thesis provides different frameworks for data-driven atomistic modelling, offering a contributions to the computational design of nanoparticles.
[cat] Aquesta tesi desenvolupa i aplica estratègies computacionals avançades per a l’estudi de nanopartícules mono- i multimetàl·liques, amb l’objectiu de comprendre i predir el seu comportament estructural i reactivitat sota condicions catalítiques. La motivació principal és superar les limitacions dels mètodes tradicionals com la teoria del funcional de la densitat (DFT), especialment quan es tracta de sistemes complexos i de gran mida, com ara nanopartícules amb múltiples metalls i adsorbats molecular. El treball es divideix en dues contribucions principals: el desenvolupament metodològic i la implementació de fluxos de treball (workflows) per a aplicacions concretes. Pel que fa a la part metodològica, s’han desenvolupat tres biblioteques de codi obert en Python: npl, mcpy i bayesian-aenet. La biblioteca npl ha estat ampliada per incloure dos descriptors nous: ACT (Atomic Coordination Types) i ETOP (Extended Topological Descriptor), que permeten caracteritzar l’ordre químic en nanoaliatges bi- i multimetàl·lics. Aquests descriptors són la base per entrenar models d’energia subrugats (SEMs), que es poden usar per explorar espais energètics i optimitzar l’estructura de les nanopartícules. La biblioteca mcpy permet realitzar simulacions de Monte Carlo (MC), Monte Carlo Gran Canònic (GCMC) i Replica Exchange (RE), tot utilitzant potencials interatòmics basats en aprenentatge automàtic (MLIPs). Amb aquesta eina s’han pogut construir diagrames de fase d’oxidació tant per superfícies com per nanopartícules de plata, validats mitjançant comparació amb resultats DFT. Es destaca l’ús del MLIP MACE per simular oxidacions, mostrant bons resultats qualitatius per superfícies i nanopartícules. La tercera biblioteca, bayesian-aenet, implementa xarxes neuronals bayesianes per a la predicció d’energia i incertesa, dins del marc d’MLIPs. S’ha comparat el rendiment de diferents aproximacions bayesianes amb el mètode de conjunts profunds, mostrant que aquest últim ofereix millors resultats globals. Les xarxes bayesianes, però, poden oferir incerteses més informatives en règims amb poques dades. Aquests mètodes s’han aplicat a sistemes concrets com nanoparticules de PtAu, PtCu, PdZn i PtNiZr. En aquests casos, s’ha explorat com l’ordre químic influeix en la reactivitat superficial i en la durabilitat catalítica. Per exemple, es mostra que en PdZn l’activitat per a la reacció d’evolució d’hidrogen (HER) es pot maximitzar en certes composicions mitjançant la identificació de llocs actius Pd3. També s’ha observat que el dopatge amb Zr en nanopartícules PtNi pot estabilitzar àtoms de Pt superficials i afeblir l’adsorció d’intermedis d’oxidació, millorant així la durabilitat del catalitzador. Finalment, la tesi proposa diverses direccions de futur, com ara el refinament de models mitjançant reentrenament amb dades generades per simulació i l’ampliació d’aquestes tècniques a sistemes més grans i amb entorns més realistes. En conjunt, aquesta tesi representa una contribució al camp del modelatge computacional de nanopartícules, combinant l’ús de SEMs, MLIPs, quantificació de la incertesa i mostreig termodinàmic per oferir eines per a la recerca en materials.
[cat] Aquesta tesi desenvolupa i aplica estratègies computacionals avançades per a l’estudi de nanopartícules mono- i multimetàl·liques, amb l’objectiu de comprendre i predir el seu comportament estructural i reactivitat sota condicions catalítiques. La motivació principal és superar les limitacions dels mètodes tradicionals com la teoria del funcional de la densitat (DFT), especialment quan es tracta de sistemes complexos i de gran mida, com ara nanopartícules amb múltiples metalls i adsorbats molecular. El treball es divideix en dues contribucions principals: el desenvolupament metodològic i la implementació de fluxos de treball (workflows) per a aplicacions concretes. Pel que fa a la part metodològica, s’han desenvolupat tres biblioteques de codi obert en Python: npl, mcpy i bayesian-aenet. La biblioteca npl ha estat ampliada per incloure dos descriptors nous: ACT (Atomic Coordination Types) i ETOP (Extended Topological Descriptor), que permeten caracteritzar l’ordre químic en nanoaliatges bi- i multimetàl·lics. Aquests descriptors són la base per entrenar models d’energia subrugats (SEMs), que es poden usar per explorar espais energètics i optimitzar l’estructura de les nanopartícules. La biblioteca mcpy permet realitzar simulacions de Monte Carlo (MC), Monte Carlo Gran Canònic (GCMC) i Replica Exchange (RE), tot utilitzant potencials interatòmics basats en aprenentatge automàtic (MLIPs). Amb aquesta eina s’han pogut construir diagrames de fase d’oxidació tant per superfícies com per nanopartícules de plata, validats mitjançant comparació amb resultats DFT. Es destaca l’ús del MLIP MACE per simular oxidacions, mostrant bons resultats qualitatius per superfícies i nanopartícules. La tercera biblioteca, bayesian-aenet, implementa xarxes neuronals bayesianes per a la predicció d’energia i incertesa, dins del marc d’MLIPs. S’ha comparat el rendiment de diferents aproximacions bayesianes amb el mètode de conjunts profunds, mostrant que aquest últim ofereix millors resultats globals. Les xarxes bayesianes, però, poden oferir incerteses més informatives en règims amb poques dades. Aquests mètodes s’han aplicat a sistemes concrets com nanoparticules de PtAu, PtCu, PdZn i PtNiZr. En aquests casos, s’ha explorat com l’ordre químic influeix en la reactivitat superficial i en la durabilitat catalítica. Per exemple, es mostra que en PdZn l’activitat per a la reacció d’evolució d’hidrogen (HER) es pot maximitzar en certes composicions mitjançant la identificació de llocs actius Pd3. També s’ha observat que el dopatge amb Zr en nanopartícules PtNi pot estabilitzar àtoms de Pt superficials i afeblir l’adsorció d’intermedis d’oxidació, millorant així la durabilitat del catalitzador. Finalment, la tesi proposa diverses direccions de futur, com ara el refinament de models mitjançant reentrenament amb dades generades per simulació i l’ampliació d’aquestes tècniques a sistemes més grans i amb entorns més realistes. En conjunt, aquesta tesi representa una contribució al camp del modelatge computacional de nanopartícules, combinant l’ús de SEMs, MLIPs, quantificació de la incertesa i mostreig termodinàmic per oferir eines per a la recerca en materials.
Matèries (anglès)
Citació
Col·leccions
Citació
FARRIS, Riccardo. Development and Application of Advanced Computational Methods for Predicting the Structure and Properties of Nanoparticles. [consulted: 6 of July of 2026]. Available at: https://hdl.handle.net/2445/230095