Predicción de aprendizaje automático de la adsorción de CO en nanocúmulos tiolados y aleados con Ag

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Aprendizaje automático

Sus antecedentes:

• Los nanocúmulos de oro protegidos por tiolato son cruciales en la catálisis.
• La predicción de la adsorción de monóxido de carbono (CO) es vital para comprender la reactividad de los nanocúmulos.
• Los métodos existentes tienen dificultades para capturar las complejas relaciones estructura-propiedad.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático para predecir la adsorción de CO en nanocúmulos de oro.
• Identificar los principales descriptores estructurales que influyen en las energías de adsorción de CO.
• Extender la aplicabilidad del modelo a varias composiciones de nanocúmulos de oro.

Principales métodos:

• Se empleó un modelo de aprendizaje automático de bosque aleatorio.
• El modelo utilizó un enfoque en dos fases: selección de características y formación.
• El desarrollo y la validación iniciales se realizaron en el nanocluster Au25.

Principales resultados:

• El modelo predijo con éxito las energías de adsorción de CO.
• El análisis de la importancia de las características reveló que la distribución de los átomos de plata en relación con el sitio de adsorción es crítica para Au25.
• El modelo demostró la capacidad predictiva para los nanocúmulos de Au36 y Au133 con aleación de Ag.

Conclusiones:

• El aprendizaje automático ofrece un enfoque eficaz para predecir la adsorción de CO en nanoclusters.
• La comprensión de las relaciones estructura-adsorción se puede mejorar a través del análisis de características impulsado por ML.
• El modelo desarrollado proporciona una herramienta versátil para explorar la adsorción de CO en diversos nanocúmulos basados en oro.