纳米集群电催化剂的机器学习辅助选:绘制和重塑活动火山的氧气减少反应反应

科学领域:

• 计算异质催化剂的计算方法
• 电催化剂的设计设计
• 纳米材料科学科学 纳米材料科学

背景情况:

• 萨巴蒂埃的原理和火山情节指导催化剂设计,但有局限性.
• 亚纳米集群具有高金属利用率和独特的活动,但存在复杂的结构-活动关系.
• 了解动态亚纳米集群的非单调催化活性是具有挑战性的.

研究的目的:

• 开发一种机器学习 (ML) 框架,用于预测亚纳米集群中的氧降解反应 (ORR) 活动.
• 为了捕捉归因于动态集群特征的非单调活动趋势.
• 通过修改活动火山地块,提供设计高效电催化剂的指导方针.

主要方法:

• 开发了一个ML框架,使用非ab initio几何和电子属性.
• 分析了电子/几何性质和中间吸附能量的相关性.
• 使用ML绘制活动火山内的催化剂分布图.

主要成果:

• 证明了ORR活动火山的大小依赖的转移和重塑,金 (Au) 在峰值时超过 (Pt).
• 确定了关键描述因素:d填充和邻近的金属合矩阵,影响d带中心的吸附.
• 确定了五种高性能亚纳米电催化剂,其ORR超电位与Pt相竞争.

结论:

• ML框架准确地预测了亚纳米级集群活动,并考虑了动态流动特性.
• 这项研究为亚纳米级催化剂的结构-活性关系提供了新的见解.
• 为燃料电池下一代电催化剂提供了合理的设计准则.