原子分散催化剂（ADC）的催化性能很大程度上受到其原子构型的影响，例如原子间距离、原子聚集成二聚体和三聚体及其分布。扫描透射电子显微镜 (STEM) 是一种在原子尺度上对 ADC 进行成像的强大技术；然而，迄今为止，大多数 ADC 的 STEM 分析都依赖于人工标记，因此很难分析大型数据集。

在这里，橡树岭国家实验室Guannan Zhang，Miaofang Chi介绍了一种基于卷积神经网络（CNN）的算法，能够量化不同吸附原子配置的空间排列。

文章要点

1）该算法在具有不同支持结晶度和同质性的不同 ADC 上进行了测试。结果表明，该算法可以准确识别原子位置并有效分析大数据集。

2）这项工作提供了一种可靠的方法来克服 ADC 催化剂研究 STEM 分析的主要瓶颈。研究人员强调了这种方法在未来原位显微镜实验中作为催化剂动态分析工具的潜力。

参考文献

Haoyang Ni, et al, Quantifying Atomically Dispersed Catalysts Using Deep Learning Assisted Microscopy, Nano Lett., 2023

DOI: 10.1021/acs.nanolett.3c01892

https://doi.org/10.1021/acs.nanolett.3c01892