DEFMOD: DEFect creatie en machine learning MODellering van UiO-66 en zijn katalytische eigenschappen.

Er is een grote spatiotemporele kloof tussen experimenteel bekomen kristallen met geïnduceerde defecten en de ab initio modellering van dergelijke kristallen (tot 50 nm). In dit project spitsen we ons toe op het Metaal Organisch Rooster UiO-66 en zijn katalytische eigenschappen. De voorbije jaren hebben we reeds de eerste belangrijke stappen gezet om goed gedefinieerde en unieke defecten in deze kristallen te creëren en deze defecten te linken aan katalytische eigenschappen. Aan de andere kant is de theoretische modellering allleen "quantum accuraat" op zeer kleine schaal (<10 nm,DFT) en eerder benaderend beschrijvend op de mesoschaal (krachtvelden). In dit project nemen we verschillende horden tegelijkertijd: 1) we zullen de mechanismen die aanleiding geven tot de creatie van defecten verder verfijnen en fundamenteel begrijpen aan de hand van de door ons ontwikkelde synthesestrategieën en 2) we zullen methodologieën ontwikkelen om defecte kristallen te modelleren tot op de 50 nm schaal met quantum-accuraatheid, gebruik makend van "Machine Learning Potentials", die bijzonder veel potentieel vertonen voor de modellering van MOFs. De bekomen materialen zullen experimenteel en theoretisch worden gevalideerd, gebruik makend van 3 welgekozen katalytische reacties om de reactiecyclus en het effect van defecten daarop beter te begrijpen.