DFT-机器学习联合探索过渡金属合铁电BaTiO₃用于电催化进化

科学领域:

• 材料科学 材料科学 材料科学
• 催化剂是一种催化剂.
• 计算化学计算化学

背景情况:

• 兴奋剂是一种有希望的策略来调整电催化性能.
• 兴奋剂对用于催化的铁电 (FE) 巴泰坦酸 (BTO) 的作用尚未得到充分研究.
• 进化反应 (HER) 对可持续能源至关重要.

研究的目的:

• 调查过渡金属 (TM) 兴奋剂对FE BTO的HER活性的影响.
• 为了确定最佳的TM兴奋剂,以提高电催化性能.
• 开发用于HER活性在被兴奋的BTO中的预测模型.

主要方法:

• 使用第一原则计算来模拟杂的BTO系统.
• 机器学习 (ML) 分析被用来选兴奋剂和预测活动.
• 基于表面氧 p 波段的物理信息描述器被开发出来.

主要成果:

• 早期到中期组的TM-doped BTO表面 (V, Cr, Mo, Ta, Ru) 显示出改善的HER活性 (陰G_H*陰 <0.2 eV).
• 用 (Mo) 合的BTO在各种极化状态下表现出最佳的HER活性.
• 一个强大的ML模型 (R2 > 0.93) 确定了TM剂的外电子数作为一个关键预测因素.

结论:

• TM 兴奋剂显著调节了她在FE BTO中的活性.
• 表面氧 p 波段描述器准确预测催化趋势.
• ML模型能够有效地发现有效的催化剂,用于催化应用.