机器学习加速高通量计算选:揭示具有氧化酶类活动的双金属纳米粒子
Kaiwei Wan1,2, Hui Wang1,2, Xinghua Shi1,2
1Laboratory of Theoretical and Computational Nanoscience, National Center for Nanoscience and Technology, Chinese Academy of Sciences, Beijing 100190, China.
ACS nano
|May 2, 2024
概括
我们开发了一种机器学习方法来预测双金属纳米颗粒的过氧化酶类 (POD类) 活性. 这种方法加速了各种应用的高效催化剂的发现.
科学领域:
- *纳米技术和材料科学 *纳米技术和材料科学
- * 计算化学 计算机化学
- * 催化作用
背景情况:
- *双金属纳米颗粒 (NP) 具有重要的过氧化酶类 (POD类) 活性,可用于生物传感,医学和环境修复等领域.
- * 开发双金属NP的结构-活动关系是具有挑战性的,因为其有许多可调节的特性.
- *现有的方法很难有效地发现新型的高性能双金属催化剂.
研究的目的:
- * 建立强大的缩放关系,以预测双金属NP中的POD类活动.
- * 开发一种对双金属NP的多功能描述符.
- * 通过机器学习加速发现高效的双金属催化剂.
主要方法:
- *分析纯金属NP中的催化反应网络,以建立缩放关系.
- * 基于吸附能量的双金属NP的新型描述器的开发.
- * 将描述符集成到机器学习加速的高通量计算工作流中.
- *对1260个双金属NP的POD类活动的预测.
主要成果:
- * 在催化活性和O*吸附能量之间建立了火山形的相关性.
- * 实现了对POD类活动的显著提升的预测准确性.
- *确定了几种高效的双金属NP催化剂.
- *成功预测了大量双金属NP候选人的活动.
结论:
- *开发的机器学习方法有效地预测了双金属NP的POD类活动.
- * 该研究提供了设计高效双金属NP催化剂的策略.
- *这项工作加速了各种应用先进纳米材料的发现和设计.
