Aprendizaje activo reactivo: un enfoque eficiente para entrenar potenciales interatómicos de aprendizaje automático...

Área de la Ciencia:

• Química computacional
• Ciencias de los materiales
• Ingeniería Química

Sus antecedentes:

• Los cálculos de la mecánica cuántica para las reacciones químicas son computacionalmente caros y de escasa escala.
• Los potenciales interatómicos de aprendizaje automático (MLIP) ofrecen una alternativa más rápida, pero luchan con los sistemas reactivos debido a los desafíos de muestreo.
• Los métodos de entrenamiento MLIP existentes no están optimizados para explorar diversas vías de reacción y estados de transición.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje activo reactivo (RAL) para la capacitación eficiente de los MLIP para sistemas químicos reactivos.
• Para lograr una precisión mecánica casi cuántica en los MLIP sin conocimiento previo de las vías de reacción o productos.
• Permitir simulaciones a gran escala para descubrir nuevos catalizadores y comprender los mecanismos de reacción.

Principales métodos:

• Exploración de reacción automatizada combinada, aprendizaje activo impulsado por la incertidumbre y muestreo de estados de transición.
• Desarrolló un marco para capacitar a los MLIP para sistemas con estados y productos de transición desconocidos.
• Se aplicó el marco RAL a la síntesis de amoníaco en fase gaseosa, la hidrólisis de metanimina en fase de solución y la activación de metano heterogéneo en superficies de TiC.

Principales resultados:

• Los MLIP entrenados con RAL predijeron con precisión las barreras de reacción y los estados de transición en diversos sistemas químicos.
• Ti2C identificado como una superficie de activación de metano altamente activa (descomposición del 90% a 1000 K) a través de mecanismos de vacío de C.
• Simulaciones habilitadas de sistemas grandes (~ 900 átomos) en escalas de tiempo de nanosegundos, revelando conocimientos sobre envenenamiento de superficie y redes de reacción.

Conclusiones:

• La exploración reactiva es crucial para capturar con precisión la superficie de energía potencial en los MLIP.
• El muestreo sinérgico químico y de configuración mejora la precisión del modelo.
• El marco RAL proporciona un método sólido para el descubrimiento computacional de catalizadores y mecanismos de reacción, estableciendo pautas para el entrenamiento de potenciales reactivos.