图表神经网络模型加速生物质吸附能量预测在铁基酸电催化剂上
Xinghai Li1, Wei Huang1, Yuechang Lian1
1School of Chemistry, State Key Laboratory of Fine Chemicals, Frontier Science Center for Smart Materials, Dalian Key Laboratory of Intelligent Chemistry, Dalian University of Technology, Dalian 116024, Liaoning Province China.
The journal of physical chemistry letters
|October 17, 2024
概括
一个新的图形神经网络 (GNN),GALE-Net 2.0,加速了用于生物质电氧化的高效铁基层双氧化物 (LDH) 催化剂的发现,大大降低了计算成本.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 电化学 电化学 电化学
背景情况:
- 铁基层双氧化物 (LDHs) 显示出生物质电氧化的前景.
- 开发新的LDH催化剂需要广泛的实验和高计算成本.
研究的目的:
- 开发一个图形神经网络 (GNN) 模型,GALE-Net 2.0,用于预测5-基甲基 (HMF) 电氧化中的吸附能.
- 加速设计和发现高效的电催化剂.
主要方法:
- 在LDHs上构建了有机分子吸附能量的数据集.
- 开发并培训了GALE-Net 2.0 GNN模型.
- 验证了模型的预测与密度函数理论 (DFT) 的计算.
主要成果:
- GALE-Net 2.0 预测了一种1:2 CoNi-doped LDH 催化剂,其优异的 HMF 电氧化性能.
- 计算时间从24小时 (DFT) 减少到1小时 (GALE-Net 2.0).
- 该GNN模型实现了0.17 eV的平均绝对误差,相当于DFT准确度.
结论:
- 通过降低计算成本,GALE-Net 2.0显著加速了电催化剂设计.
- 该GNN模型证明了普遍性,预测了衍生物的吸附能量.
- 这种方法有助于快速识别用于生物质转换的高性能LDH电催化剂.
更多相关视频
11:14Two-way Valorization of Blast Furnace Slag: Synthesis of Precipitated Calcium Carbonate and Zeolitic Heavy Metal Adsorbent
Published on: February 21, 2017
12.4K
09:18Simple Methods for the Preparation of Non-noble Metal Bulk-electrodes for Electrocatalytic Applications
Published on: June 21, 2017
11.4K