マシン・ラーニング・ガイデッド・シンセシス・オブ・マルチナリー・シェヴレル・フェーズ・カルコゲニド
Nicholas R Singstock1, Jessica C Ortiz-Rodríguez2, Joseph T Perryman2
1Department of Chemical and Biological Engineering, University of Colorado Boulder, Boulder, Colorado 80303, United States.
機械学習は,エネルギーアプリケーションのための新しいシェヴレルフェーズ (CP) 材料の発見を加速します. 新しい記述子であるHδは,合成可能なCPを予測し,新しいテルリド化合物の識別と成功した合成につながります.
科学分野:
- 材料科学
- コンピュータ化学
- 固体化学
背景:
- シェヴレルフェーズ (CPs) はエネルギー用途にモリブデンカルコゲニドが有望であるが,合成の課題のために十分に研究されていない.
- 限られた合成データは,新しいCP材料の発見を妨げています.
研究 の 目的:
- シェヴレル相の安定性と合成性を予測するための機械学習ディスクリプター (Hδ) の開発.
- 新規のCP材料,特にテルリドの発見を加速する.
主な方法:
- 分解エンタルピー (ΔHd) の密度関数理論 (DFT) 計算
- 機械学習 (SIFT) で,438のCP組成のための56万の記述子を生成します.
- 合成可能なCP (ΔHd <65 meV/原子) を識別するためにHδを用いた200,000組成物のスクリーニング.
主要な成果:
- 合成可能なCPは48,501種類,その内2,307種類はテルリドである.
- 5つの新型CPテルリドの 5つを合成し,安定した状態を予測した.
- 合成テルリドCPで予測されたチャネルサイト占有偏好が確認された.
結論:
- 解釈可能なHδ記述子は,CPの安定性を正確に予測し,材料の発見を導く.
- 計算-実験的アプローチは,稀な化学空間での新しい材料の識別を加速します.
- この方法論は,他の物質ファミリーの発見を加速させるのに利用できます.
さらに関連する動画
04:09Demonstrating the Simplicity and In Situ Temperature Monitoring of the Mechanochemical Synthesis of Metal Chalcogenides Suitable for Thermoelectrics
Published on: August 30, 2024
09:12Facet-to-facet Linking of Shape-anisotropic Colloidal Cadmium Chalcogenide Nanostructures
Published on: August 10, 2017
関連する概念動画
Prochirality
Preparation and Reactions of Sulfides
Chirality at Nitrogen, Phosphorus, and Sulfur
A consequence of chirality is the need for enantiomeric resolution. While this is theoretically possible for all...
Diels–Alder Reaction Forming Bridged Bicyclic Products: Stereochemistry
Molecules with Multiple Chiral Centers
Woodward–Hoffmann Selection Rules and Microscopic Reversibility
