机器学习驱动的过渡金属原子高通量选间隔g-C3N4/MX2 (M = Mo,W; X = S,Se,Te) 进化反应的异构结构
M V Jyothirmai1, Roshini Dantuluri1, Priyanka Sinha1
1Department of Chemical Engineering, Indian Institute of Technology Kanpur, Kanpur 208016, India.
ACS applied materials & interfaces
|March 4, 2024
概括
这项研究使用机器学习来选过渡金属原子间的g-C3N4/MX2材料,以进行增强的进化反应 (HER) 催化. Sc和Ti交结构显示出异常的HER活性,识别了催化剂设计的关键位置.
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:
- 越来越多的能源需求和环境问题推动了寻找可持续能源解决方案.
- 传统的化石燃料带来了环境挑战,需要更清洁的替代品.
- 进化反应 (HER) 对于清洁的生产至关重要.
研究的目的:
- 加速发现进化反应 (HER) 的新型催化剂.
- 调查过渡金属 (TM) 原子间隙g-C3N4/MX2异构结构对增强HER活性的潜力.
- 通过机器学习识别控制 HER 性能的关键结构和电子描述符.
主要方法:
- 使用机器学习 (ML) 模型进行高通量选.
- 密度函数理论 (DFT) 计算用于稳定性和电子结构分析.
- 随机森林回归 (RFR) 用于预测 HER 活动和 Shapley 添加式扩展 (SHAP) 用于描述器重要性.
主要成果:
- 通过粘附和结合能证实异构结构的稳定性.
- 随机森林回归模型实现了HER活动预测的0.118 eV的低平均绝对误差 (MAE).
- 在g-C3N4的N位点的吸附被确定为一个关键的活性位点,特别是在Sc和Ti间结构中.
结论:
- 机器学习与DFT相结合,为加速催化剂选提供了一个有效的策略.
- 过渡金属间接的g-C3N4/MX2异构结构,特别是那些含有Sc和Ti的异构结构,显示出有前途的HER活性.
- 了解特定地点的吸附等关键描述因素,可以实现合理的催化剂设计,以提高催化性能.
更多相关视频
10:57Synthesis and Performance Characterizations of Transition Metal Single Atom Catalyst for Electrochemical CO2 Reduction
Published on: April 10, 2018
18.2K
08:40Synthesis of Metal Nanoparticles Supported on Carbon Nanotube with Doped Co and N Atoms and its Catalytic Applications in Hydrogen Production
Published on: December 6, 2021
3.6K
