基于石墨烯的高性能单原子电催化剂的合理设计用于ORR,使用机器学习

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 电化学 电化学 电化学

背景情况:

• 开发高效的氧降解反应 (ORR) 电催化剂对于能量转化技术至关重要.
• 基于石墨烯的二维 (2D) 单原子电催化剂为传统催化剂提供了有希望的替代品.
• 需要准确和快速的选方法来从广的化学空间中识别高性能催化剂.

研究的目的:

• 开发和验证机器学习 (ML) 模型,用于ORR的2D石墨烯基单原子电催化剂的快速选.
• 引入新的描述符,价值电子校正 (VEc) 和构造差异程度 (DC),以提高ML模型预测的准确性.
• 提出新的评估标准,高性能催化剂保留率 (rR) 和占用率 (rO),用于评估ML模型在催化剂选中的性能.

主要方法:

• 机器学习 (ML) 模型构建用于预测电催化剂性能.
• 将价值电子校正 (VEc) 和结构差异程度 (DC) 描述符集成到ML模型中.
• 使用密度功能理论 (DFT) 验证ML选候选催化剂.

主要成果:

• 结合VEc和DC描述器的ML模型显示了更好的准确性,将平均绝对误差 (MAE_test) 从0.334V降至0.271V,并将确定系数 (R^2_test) 从0.683提高到0.774.
• 拟议的评价标准,rO和rR,表现出显著的增强,分别从0.222和0.360增加到0.421和0.671.
• DFT计算证实了ML模型的准确性,给出了MAE=0.157V和R^2=0.821的选催化剂,如ZZ-CoN4和ZZ-CoN3C1.1.

结论:

• 开发的ML模型与新型描述符和评估指标提供了一个准确和有效的方法,用于选ORR的高性能2D石墨烯基单原子电催化剂.
• 这些发现表明,机器学习驱动的选可以加速发明用于电化学应用的先进材料.
• 经过验证的方法为快速识别有希望的电催化剂候选人铺平了道路,减少了实验成本和时间.