近日，我院程俊、颜佳伟和张洪良课题组，通过电化学扫描隧道显微技术与机器学习加速的分子动力学相结合的方法，在经典TiO2-水界面的研究上取得重要进展。相关研究成果以“Step-induced double-row pattern of interfacial water on rutile TiO2(110) at electrochemical conditions”为题发表在Chemical Science（2024, DOI: 10.1039/D4SC01952K）。
金属氧化物因其活性好、储量丰富，被认为是有前景的（光）电催化剂。其重要的应用场景如光催化水分解等多发生在水溶液环境中，因此对于氧化物-溶液界面结构的认识是至关重要的。然而，由于氧化物导电性差、样品原子级平整处理困难、成像电位条件难以确定等问题，氧化物-水界面的原位高分辨成像具有很大的挑战性。
该工作通过电化学调控间隙态进行共振隧穿的方法，利用电化学扫描隧道显微技术（Electrochemical Scanning Tunneling Microscope, EC-STM）对金红石TiO2(110) 界面实现原位高分辨观测。通过电化学调控巧妙运用半导体特有的间隙态，基于该特殊能级进行样品和针尖成像条件的选择，完成界面结构原子级分辨观测并发现台阶表面出现新的界面结构。同时，结合机器学习加速的分子动力学（machine learning molecular dynamics，MLMD）实现台阶缺陷TiO2(110)-水界面的纳秒级别模拟，发现了金红石TiO2(110)-水界面新型结构是由于台阶缺陷诱导产生。这一特殊界面结构的发现对于理解氧化物在真实条件下的界面催化过程具有重要意义。
该工作是在程俊教授、颜佳伟教授和张洪良教授的共同指导下完成，我院2023届博士毕业生孙岩为该论文第一作者。我院研究生吴成榕、刘帅参与了实验研究，王锋、毕睿豪、庄永斌参与了理论计算。该工作得到田中群教授、毛秉伟教授和陈明树教授的指导和支持，得到国家自然科学基金（22225302、21991151、21991150、22021001、92161113、21861132015、91945301、22072123、21872116）、中央高校基本科研业务费（(20720220009、20720230090）、人工智能应用电化学联合实验室项目（RD2023100101、RD2022070501）资助，以及固体表面物理化学国家重点实验室、嘉庚创新实验室的支持。
论文链接：https://pubs.rsc.org/en/content/articlehtml/2024/sc/d4sc01952k
