相关实验视频
Updated: Jul 24, 2025
11:54
Ligand-Mediated Nucleation and Growth of Palladium Metal Nanoparticles
Published on: June 25, 2018
10.4K
溢出对于-vs-支的纳米颗粒:一个MD研究使用机器学习潜力
Da-Jiang Liu1, James W Evans1,2
1Division of Chemical and Biological Sciences, Ames National Laboratory-USDOE, Ames, Iowa 50011, USA.
The Journal of chemical physics
|July 10, 2023
概括
机器学习潜力能够准确地模拟支持的纳米粒子. 支持的缺陷对于吸附和溢出至关重要,与支持不同.
科学领域:
- 材料科学 材料科学 材料科学
- 催化剂是一种催化剂.
- 计算化学计算化学
背景情况:
- 支持的金属纳米粒子在催化中至关重要,但它们的建模是复杂的.
- 传统的方法在与实验相关的纳米粒子大小作斗争.
- 机器学习 (ML) 的进步允许精确模拟复杂的催化系统.
研究的目的:
- 为了研究吸附和溢出在纳米颗粒上的吸附和溢出,由和支持.
- 用密度函数理论 (DFT) 数据训练的ML潜力进行现实的模拟.
- 了解催化过程中支材料缺陷和接口的作用.
主要方法:
- 使用DeePMD框架开发了ML潜力,在DFT数据上进行了培训.
- 在和基基上对纳米粒子进行了分子动力学 (MD) 模拟.
- 在支持的纳米粒子上研究了原子吸附和迁移途径.
主要成果:
- 在Ceria和Palladium/Ceria接口上的缺陷显著影响初始吸附.
- 和之间的相互作用,包括氧气迁移,导致从Pd溢出到.
- 基不促进从纳米颗粒的溢出.
结论:
- ML潜能为模拟复杂的支持纳米粒子催化剂提供了一个强大的工具.
- 的独特特性,包括缺陷和接口,对于控制溢出至关重要.
- 支材料的选择从根本上影响了催化行为,正如和之间的对比所示.
