通过生成模型和鸟算法来减少CO2的有希望的电催化剂的反向设计
Zhilong Song1, Linfeng Fan1,2, Shuaihua Lu1
1Key Laboratory of Quantum Materials and Devices of Ministry of Education, School of Physics, Southeast University, Nanjing, 21189, China.
Nature communications
|January 26, 2025
概括
一个新的框架,MAGECS,有效地搜索化学空间的最佳材料. 它显著增加了用于减少二氧化碳的高活性合金电催化剂的发现.
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
- 催化剂是一种催化剂.
背景情况:
- 直接产生具有所需性质的材料是材料设计中的一个关键挑战.
- 传统的生成模型仅限于探索局部化工空间,阻碍了高效的发现.
研究的目的:
- 开发一个新的框架,MAGECS,用于材料设计中高效的全球化学太空探索.
- 设计用于二氧化碳减排 (CO2RR) 的先进合金电催化剂,具有增强的性能.
主要方法:
- 在MAGECS框架内,将鸟算法与监督图形神经网络集成.
- 应用MAGECS用于CO2RR的合金电催化剂的生成设计.
主要成果:
- 与随机生成相比,MAGECS产生了超过25万个物质结构,使高活性结构 (35%) 增加了2.5倍.
- 五种预测合金 (CuAl,AlPd,Sn2Pd5,Sn9Pd7,CuAlSe2) 被合成并进行了测试.
- 两种合成合金显示,对CO2RR的法拉第效率约为90%.
结论:
- MAGECS能够有效地导航广的化学空间,以发现具有目标性质的材料.
- 该框架显示了通过人工智能驱动的设计来彻底改变功能性材料开发的巨大潜力.
- 这种方法为完全自动化的材料设计流程铺平了道路.


