加快全球优化氧化纳米集群结构与高维神经网络潜力的加速全球优化
Jinyuan Shi1,2, Qinghua Ren1, Yi Gao2,3,4
1Department of Chemistry, Shanghai University, 99 Shangda Road, Shanghai 200444, China.
The journal of physical chemistry. A
|February 25, 2025
概括
机器学习加速了氧化纳米集群的结构分析. 这种方法准确地预测了集群配置,揭示了尺寸依赖的结构转变和催化电子特性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 纳米技术 纳米技术
背景情况:
- 氧化 (CeO2) 由于其电子结构和氧气储存能力,在催化过程中至关重要.
- 描述复杂的CeO2纳米团结构具有挑战性.
- 了解纳米集群结构与属性关系对于优化催化应用至关重要.
研究的目的:
- 开发和应用机器学习方法,以高效地优化氧化纳米集群结构的全球优化.
- 探索中小氧化集群 (Ce_nO_{2x},n=2-18) 的配置空间.
- 研究这些纳米集群的尺寸依赖的结构演变和电子特性.
主要方法:
- 使用高维神经网络潜力 (HDNNP) 进行精确的能量计算.
- 集成的积极学习以代地改进HDNNP并探索配置空间.
- 执行第一个原则计算用于验证和比较.
主要成果:
- 高度国家自然保护计划的准确性与第一原则计算相提并论.
- 确定了不同的结构转变:紧到多层,然后到特定尺寸的金字塔结构 (n=9,14).
- 对于n > 14的集群,从金字塔结构观察到连续增长,并对电子结构进行分析.
结论:
- 机器学习方法有效地加速了氧化纳米集群的结构确定.
- 结构配置和电子特性表现出显著的尺寸依赖.
- 这些发现为催化剂设计提供了对氧化纳米集群行为有价值的见解.
