机器学习引导的合金纳米集群的发现:在双功能电催化剂中指导基于形态的活动和选择性关系
Rahul Kumar Sharma1, Harpriya Minhas1, Biswarup Pathak1
1Department of Chemistry, Indian Institute of Technology Indore, Indore 453552, India.
ACS applied materials & interfaces
|July 3, 2025
概括
我们开发了一种数据驱动的方法来选纳米集群进行电催化,确定Au48W7是表现最好的. 这种方法重新定义了燃料电池和化学品生产的催化剂设计.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 电化学 电化学 电化学
背景情况:
- 原子精度纳米集群为下一代能源设备提供了卓越的性能.
- 传统研究忽视了纳米集群样本中多样化,低能异构体的影响.
- 结构多样性对于优化燃料电池中的双功能电催化非常重要.
研究的目的:
- 开发一种以数据为导向的方法,用于选晚期转变金属基核心纳米集群.
- 在双功能电催化中建立基于形态学的活性和选择性的关系.
- 为燃料电池应用确定高效的纳米集群电催化剂.
主要方法:
- 利用几何和电子特性进行选.
- 使用机器学习 (ML) 模型进行催化剂选和选择性调制.
- 应用了萨巴蒂埃原理,重新定义了纳米集群合金的活动火山.
主要成果:
- 识别了M55纳米集群,具有独特的单个集群催化剂身份.
- 发现Au48W7是最有效的电催化剂,具有较低的双功能超电位 (0.76V).
- 证明了ML模型能够选两个和四个电子通路,控制选择性.
结论:
- 结构多样性和构成金属的特性对于纳米集群电催化剂的性能至关重要.
- 该研究重新定义了活动火山,将重点从传统材料转向基于Au/Ag的纳米集群.
- 为设计高效的双功能电催化剂和调节纳米合金中的选择性提供了指导方针.
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
18.4K
08:40Synthesis of Metal Nanoparticles Supported on Carbon Nanotube with Doped Co and N Atoms and its Catalytic Applications in Hydrogen Production
Published on: December 6, 2021
3.7K
