机器学习驱动的带对齐策略用于选基于1T-TMDs的Z方案异构结构,以实现高效的光催化水分裂
Wenxue Zhang1, Mengmei Nie1, Cheng He2
1School of Materials Science and Engineering, Chang'an University, Xi'an, 710064, China.
Small (Weinheim an der Bergstrasse, Germany)
|June 6, 2025
概括
研究人员使用机器学习和计算方法开发了一种新的光催化剂,用于有效地将太阳能转化为. GeC/SPdSe异构结构实现了29.5%的太阳能到效率,满足了可再生能源的需求.
科学领域:
- 材料科学 材料科学 材料科学
- 可再生能源可再生能源是可再生能源.
- 计算化学计算化学
背景情况:
- 化石燃料的依赖推动了对高效可再生能源解决方案的需求.
- 光催化水分解对于清洁的生产至关重要.
- 开发高效光催化剂是一个关键的研究重点.
研究的目的:
- 用机器学习和计算方法设计高效的光催化剂,用于水分离.
- 为了识别用于光催化新型1T相过渡金属二甲基化物 (1T-TMDs).
- 在可见光下实现高效的和氧演化反应.
主要方法:
- 集成机器学习 (ML) 与第一原则计算方法用于高通量选.
- 用密度函数理论 (DFT) 来进行验证.
- 使用非adiabatic分子动力学 (NAMD) 模拟来研究载体动力学.
主要成果:
- 确定了PdSSe单层,是带边与GeC单层对齐的理想选择.
- 开发了具有最佳带结构的 GeC/SPdSe Z 方案异构结构.
- 实现了自发的进化反应 (HER) 和氧进化反应 (OER).
- 在可见光和紫外线光谱中证明了宽带光吸收.
- 实现了 29.5% 的理论太阳能效率 (STH).
结论:
- GeC/SPdSe Z方案异构结构是水分裂的高效光催化剂.
- 机器学习指导的设计策略有效地识别出有前途的光催化剂材料.
- 这种方法为先进的可再生能源技术提供了一条途径.
更多相关视频
12:47Preparation and Use of Photocatalytically Active Segmented Ag|ZnO and Coaxial TiO2-Ag Nanowires Made by Templated Electrodeposition
Published on: May 2, 2014
21.9K
13:56Probe Type II Band Alignment in One-Dimensional Van Der Waals Heterostructures Using First-Principles Calculations
Published on: October 12, 2019
7.7K
