使用抽象机器学习方法加速发现多元反向水气转移催化剂
Gang Wang1, Shinya Mine1, Duotian Chen1
1Institute for Catalysis, Hokkaido University, N-21, W-10, Sapporo, 001-0021, Japan.
Nature communications
|September 21, 2023
概括
本研究引入了一种先进的机器学习 (ML) 方法,用于发现新型催化剂. 该方法成功地确定了100多种优异的反向水气转移催化剂,包括以前无法预测的组成.
科学领域:
- 催化剂是一种催化剂.
- 材料科学 材料科学 材料科学
- 数据科学数据科学数据科学
背景情况:
- 设计新的催化剂对于解决能源和环境问题至关重要.
- 机器学习 (ML) 提供了加速催化剂开发的潜力,但由于外推限制,它经常难以发现真正的新材料.
研究的目的:
- 展示一种推断机器学习 (ML) 方法,用于发现新的多元元素反向水气转移催化剂.
- 为了克服无法识别非凡或前所未有的材料的常见ML限制.
主要方法:
- 利用了一个闭环发现系统,涉及44个ML预测和实验测试周期.
- 从45种催化剂的初始数据集开始,并通过实验评估了总共300种催化剂.
- 采用了一种 ML 方法,该方法旨在进行外推,以探索最初的数据空间之外.
主要成果:
- 与现有的高性能催化剂相比,鉴定了超过100种具有优越活性的催化剂.
- 发现了一种最佳的催化剂,其组成为Pt(3) / Rb(1) - Ba(1) - Mo(0.6) - Nb(0.2) / TiO2.
- 成功确定了一种含有 (Nb) 的新型催化剂,该元素在原始数据集中缺席,专家无法预测.
结论:
- 开发的外推式ML方法在发现新型高性能多元元素催化剂方面是有效的.
- 这种方法证明了ML能够识别超出专家预测和初始数据集的非凡材料的能力.
- 这些发现为加速发现用于能源和环境应用的先进催化剂铺平了道路.
更多相关视频
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
12.8K
11:59Extraction and Detection of Geosmin and 2-Methylisoborneol in Water and Fish using High-Capacity Sorptive Extraction Probes and GC-MS
Published on: July 3, 2025
183
