Predicción de la energía de adsorción para la reducción de CO2 en electrocatalizadores que contienen elementos...

Área de la Ciencia:

• Ciencia de Materiales
• Catálisis
• Química Computacional

Sus antecedentes:

• La reducción electroquímica del dióxido de carbono (CO2RR) ofrece una vía para convertir el CO2 en productos químicos valiosos.
• El aprendizaje automático (ML) muestra una gran promesa para acelerar el desarrollo de catalizadores en CO2RR.
• Los enfoques actuales de ML están limitados por bases de datos que contienen solo elementos conocidos.

Objetivo del estudio:

• Desarrollar un modelo de ML para predecir las energías de adsorción en superficies de catalizadores con elementos metálicos novedosos.
• Superar las limitaciones de los modelos de ML existentes en el descubrimiento de catalizadores.
• Permitir la evaluación rápida de una gama más amplia de electrocatalizadores potenciales.

Principales métodos:

• Desarrolló un novedoso modelo de ML para predecir las energías de adsorción.
• Propuso y validó un método de "validación cruzada iterativa de agrupación elemental".
• Integró descriptores atómicos y estructurales y empleó el algoritmo Boruta para la selección de características.

Principales resultados:

• El modelo de ML demostró una precisión predictiva mejorada para las energías de adsorción.
• El método de validación de agrupación elemental evaluó eficazmente el rendimiento del modelo en elementos novedosos.
• La selección de características mejoró la capacidad de generalización del modelo.

Conclusiones:

• El modelo de ML desarrollado amplía el alcance del descubrimiento de catalizadores para CO2RR.
• Este enfoque facilita la identificación de electrocatalizadores novedosos que contienen elementos inexplorados.
• Ahora es factible el descubrimiento acelerado de electrocatalizadores eficientes de CO2RR.