图表神经网络加速多任务遗传算法用于优化PdTi1-H 在各种CO2下面的表面减少反应条件
Changzhi Ai1, Shuang Han1, Xin Yang1
1Department of Energy Conversion and Storage, Technical University of Denmark, Anker Engelunds Vej, 2800 Kongens Lyngby, Denmark.
ACS applied materials & interfaces
|March 4, 2024
概括
我们使用了深度学习的遗传算法来找到新的化-化催化剂来减少二氧化碳. 几种Pd-Ti-H表面显示出减少二氧化碳和合成气的高活性.
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:
- (Pd) 化物催化剂对二氧化碳还原反应 (CO2RR) 和演变反应 (HER) 显示出前景.
- 以前的研究表明,化和合金Pd化物比纯Pd化物提高了CO2RR性能.
- 表面成分,排序和反应条件显著影响催化剂的稳定性,活性和选择性.
研究的目的:
- 在不同的反应条件下,选稳定和活跃的Pd-Ti-H表面与多个吸附剂的CO2RR.
- 在理论催化剂选中克服多吸附剂系统的复杂性和广的搜索空间.
- 确定用于高效的二氧化碳转化和合成气的新型催化剂组合物.
主要方法:
- 应用深度学习辅助的多任务遗传算法用于催化剂选.
- 使用集体深度学习模型来加速结构放松,并确保能量和力计算的准确性.
- 在各种反应条件下同时识别全球稳定的表面结构.
主要成果:
- 在不同的反应条件下选了23个稳定的Pd-Ti-H表面结构.
- 确定了具有高活性CO2RR的特定化合物 (例如Pd0.56Ti0.44H1.06 + 25%CO,Pd0.31Ti0.69H1.25 + 50%CO)
- 确定某些Pd-Ti-H结构适合产生合成气 (CO和H2).
结论:
- 深度学习引导的遗传算法有效地选复杂的催化系统.
- 优化的Pd-Ti-H成分显示出CO2RR和合成气生产的巨大潜力.
- 这种方法为在现实的反应条件下发现先进催化剂提供了一条途径.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
2.1K
13:34A Combined 3D Tissue Engineered In Vitro/In Silico Lung Tumor Model for Predicting Drug Effectiveness in Specific Mutational Backgrounds
Published on: April 6, 2016
10.2K
