通过基因编程的自适应学习,加速设计芬顿式铜单原子催化剂
Haoyang Fu1, Ke Li1,2, Qingze Chen3
1School of Materials Science and Engineering, Nanyang Technological University, 50 Nanyang Avenue, Singapore, 639798, Singapore.
Angewandte Chemie (International ed. in English)
|April 16, 2025
概括
适应性学习遗传算法 (ALGA) 加快了高性能芬顿式单原子催化剂 (SAC) 的发现. 这种机器学习方法显著减少了优化所需的实验,优于传统方法.
科学领域:
- 催化剂是一种催化剂.
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 传统的催化剂合成依赖于低效的试错方法.
- 机器学习 (ML) 具有潜力,但需要大量的初始数据.
- 积极学习 (AL) 可以解决ML中的数据限制,以优化催化剂.
研究的目的:
- 将AL衍生算法,适应性学习遗传算法 (ALGA) 集成到实验工作流中.
- 使用ALGA优化使用芬顿式单原子催化剂 (SAC) 的合成.
- 为了证明ALGA在从有限和稀疏的数据集中学习的效率.
主要方法:
- 实施用于催化剂合成的闭环ALGA框架.
- 遗传信息的代改进与突变和交叉相结合.
- 实验验证ALGA识别的芬顿类Cu SACs.
主要成果:
- 与传统的ML和AL相比,ALGA显著缩短了研究周期.
- 在不到90个实验中,发现了性能最高的芬顿式Cu SACs.
- 达到最大的醇降解率 (k = 0.147 min-1),大约是初始数据集的三倍.
结论:
- ALGA为优化SAC合成提供了一种高效的方法.
- 通过从稀疏的数据中学习,ALGA框架加速了材料发现.
- 这种方法为探索其他功能材料提供了指导方法.
更多相关视频
10:57Synthesis and Performance Characterizations of Transition Metal Single Atom Catalyst for Electrochemical CO2 Reduction
Published on: April 10, 2018
18.0K
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
12.7K
![[DPEPhosbcpCu]PF6: A General and Broadly Applicable Copper-Based Photoredox Catalyst](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F59739.jpg&w=3840&q=50)