DFT和机器学习指导着对基于α-2石墨烯的新型双原子催化剂设计的研究
Chandra Chowdhury1, Esackraj Karthikraja1,2, Venkatesan Subramanian2,3
1Advanced Materials Laboratory, CSIR-Central Leather Research Institute (CSIR-CLRI), Sardar Patel Road, Adyar, Chennai 600 020, India. pc.chandra12@gmail.com.
Physical chemistry chemical physics : PCCP
|September 23, 2024
概括
研究人员在石墨烯上探索了双原子催化剂 (DAC),克服了稳定性挑战. 一个机器学习模型预测了DAC的稳定性,加速了用于实际应用的新原子催化剂的发现.
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.
- 计算化学的计算化学
背景情况:
- 单原子催化剂 (SAC) 是先进的,但双原子催化剂 (DAC) 在稳定性和组成方面存在挑战.
- 开发稳定和有效的DAC对于推进超越SAC的催化应用至关重要.
研究的目的:
- 理论上研究基于α-2石墨烯 (GPY) 的双原子催化剂 (DAC),以提高稳定性.
- 开发用于DAC稳定的预测机器学习 (ML) 模型,减少对广泛模拟的依赖.
- 为实际的催化应用确定有前途的DAC候选者.
主要方法:
- 利用密度函数理论 (DFT) 模拟来评估基于GPY的DAC中大约823种过渡金属变换的形成稳定性.
- 开发了一种机器学习 (ML) 模型,将DAC稳定性与内在元素属性相关联.
- 基于GPY的DAC的内部合成,以验证理论发现.
主要成果:
- 对许多基于GPY的DAC结构进行了全面的稳定性分析.
- 成功开发了一个预测性ML模型,根据元素特征准确预测DAC稳定性.
- 确定了特定的过渡金属组合,对基于GPY的DAC表现出高稳定性.
结论:
- 这项研究提供了对原子相互作用的关键见解,这些相互作用决定了在图形上DAC的稳定性.
- 开发的ML模型为预测DAC稳定性的计算密集型DFT提供了一个有效的替代方案.
- 这项工作加速了新型DAC的发现,超越了传统的合成方法,并使新的催化应用成为可能.
更多相关视频
08:18Microscopic Visualization of Porous Nanographenes Synthesized through a Combination of Solution and On-Surface Chemistry
Published on: March 4, 2021
1.7K
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
