实现电催化剂稳定性和表面重建的数据驱动预测建模

科学领域:

• 计算催化和理论表面科学.
• 材料科学和电化学.

背景情况:

• 电催化剂溶解和表面重组是常见的,导致活动稳定性权衡,阻碍优化.
• 目前的表征技术在电催化界面上努力解决分解动力学和重建动力学问题.
• 由物理驱动的机器学习增强的原子模型,为理解和工程电催化剂行为提供了一条道路.

研究的目的:

• 系统地评估用于建模电催化剂稳定性和动态性的经典和数据驱动的计算方法.
• 突出这些方法在吞吐量,效率,准确性和可扩展性方面取得的成就和局限性.
• 通过解决表面建模方面的挑战,为优化电催化剂设计提供一个新的范式.

主要方法:

• 对理论表面科学和计算催化方法的审查.
• 检查第一原则模拟,表面采样,神经网络原子间潜力和生成深度学习模型.
• 分析数据驱动的计算技术,以阐明接口原子化过程.

主要成果:

• 经典和数据驱动的方法已经推进了对电催化剂稳定性的原子对原子的理解.
• 在不同的建模方法中存在吞吐量,效率,准确性,偏差,可转移性和可扩展性的限制.
• 数据驱动技术在解决电催化剂降解表面建模方面的技术挑战方面表现有前途.

结论:

• 计算建模对于电催化剂降解和重建的现实和预测分析至关重要.
• 数据驱动的方法为优化溶解动力学和重组动力学提供了一个新的范式.
• 这些方法是稳定和高效的电催化剂的合理工程的关键.