热力学集成的数据高效主动学习:水中的BiVO4的酸度常数
Philipp Schienbein1,2,3, Jochen Blumberger1
1Department of Physics and Astronomy and Thomas Young Centre, University College London, London, WC1E 6BT, United Kingdom.
确定分子酸度常数至关重要,但也很困难. 这项研究引入了一种机器学习方法,使用委员会神经网络的潜力来有效计算酸度常数,克服传统ab-initio分子动态的局限性.
科学领域:
- 计算化学计算化学
- 材料科学 材料科学 材料科学
- 物理化学 物理化学
背景情况:
- 质子化状态对于催化,地球化学,生物化学和制药方面至关重要.
- 由于电子结构,热波动,振动和溶解,准确确定酸度常数具有挑战性.
- 像ab-initio分子动力学这样的现有方法在计算上昂贵,以实现必要的模拟时间表.
研究的目的:
- 开发一种有效和准确的方法来计算酸度常数.
- 为了研究光催化水分裂的BiVO4 (010) - 水接口上的脱质反应.
- 克服传统模拟方法的计算局限性.
主要方法:
- 采用热力学集成加速委员会神经网络潜力.
- 训练了一个单一的机器学习模型来描述质子化,脱质子化和中间状态.
- 在BiVO4 (010) - 水接口上研究了deprotonation反应.
主要成果:
- 综合平均值和酸度常数与模拟时间和柯克伍德合参数的证明趋同.
- 证明纳秒模拟时间是统计趋同所必需的,可以通过ML方法实现.
- 强调ML工作流需要的计算比ab-initio分子动力学要少得多.
结论:
- 开发的机器学习工作流显著提升了自由能量差异的计算与ab-initio准确性.
- 这种方法使得研究需要延长时间表的系统成为可能,以前用标准方法无法获得这些系统.
- 该方法为确定酸度常数和研究界面反应提供了一个计算效率高的替代方案.
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
12:02Determination of Thermodynamic Properties of Alkaline Earth-liquid Metal Alloys Using the Electromotive Force Technique
Published on: November 3, 2017
相关概念视频
Thermodynamics: Activity Coefficient
The activity coefficient is a measure of the deviation from ideal behavior. When the ionic strength of the solution is minimal, the activity coefficient of an ionic species is close to unity, making...
Weak Acid Solutions
Acid–Base Equilibria: Activity-Based Definition of pH
In solutions of very low ionic strength—for example, pure water—the...
Calculating Equilibrium Concentrations
A more...
Water: A Bronsted-Lowry Acid and Base
Thermodynamic Potentials
