开发高性能单原子催化剂的人工智能辅助设计原则
Liangliang Xu1, Xingkun Wang2,3, Xiaojuan Hu4
1Department of Chemical and Biomolecular Engineering, Korea Advanced Institute of Science and Technology (KAIST), 291 Daehak-Ro, Yuseong-Gu, Daejeon 34141, Republic of Korea.
人工智能 (AI) 结合机器学习 (ML) 和数据挖掘 (DM) 加快了催化剂的发现. 这种人工智能战略提高了开发复杂反应的高性能催化剂的透明度和可靠性.
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.
- 计算化学的计算化学
背景情况:
- 人工智能 (AI) 辅助的方法加速了新型催化剂的开发.
- 缺乏对人工智能方法的机制理解,可能会导致不可靠的结果.
- 阐明潜在的机制对于透明和可靠的AI驱动的发现至关重要.
研究的目的:
- 开发一种结合机器学习 (ML) 和数据挖掘 (DM) 的AI战略,用于识别高性能催化剂.
- 阐明控制复杂反应中催化性能的关键因素.
- 提高人工智能辅助催化剂设计的透明度和可靠性.
主要方法:
- 开发了一个整合ML和DM的AI战略.
- 该策略被应用于评估10179个单原子催化剂 (SAC) 用于电催化氧降解.
- 进行了实验验证,以确认人工智能战略的有效性.
主要成果:
- 为了减少氧气,已经确定了几种高性能单原子催化剂 (SAC).
- 确定了影响SAC活动的关键因素.
- 最优的Co-S2N2/g-SAC实现了0.92 V的高半波潜力.
结论:
- 结合的ML和DMAI战略有效地识别了高性能催化剂,并阐明了影响绩效的因素.
- 这种方法提高了数据驱动的催化剂发现的透明度和可靠性.
- 这些发现为先进材料的合理设计提供了宝贵的见解.
更多相关视频
10:22In Situ SIMS and IR Spectroscopy of Well-defined Surfaces Prepared by Soft Landing of Mass-selected Ions
Published on: June 16, 2014
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
相关概念视频
Catalytically Perfect Enzymes
Most enzymes...
Non-equilibrium in the Cell
Introduction to Mechanisms of Enzyme Catalysis
Reduction of Alkenes: Asymmetric Catalytic Hydrogenation
The metal catalyst used can be either heterogeneous or homogeneous. When hydrogenation of an alkene generates a chiral center, a pair of enantiomeric products is expected to form. However, an enantiomeric excess of one of the products can be facilitated using an enantioselective reaction or an...
