可解释的机器学习预测金属氧化物界面上的吸附能量的预测
Marius Juul Nielsen1, Luuk H E Kempen1, Julie de Neergaard Ravn1
1Center for Interstellar Catalysis, Department of Physics and Astronomy, Aarhus University, Aarhus C, Denmark.
The Journal of chemical physics
|July 30, 2025
概括
机器学习加速了对二氧化碳化逆催化剂的选. 这种方法有效地预测吸附能量,有助于设计用于碳捕获和利用的新材料.
科学领域:
- 催化科学与工程 催化科学与工程
- 材料科学是一种材料科学.
- 计算化学是一种计算化学.
背景情况:
- 将大气中的二氧化碳转化为增值产品对于碳捕获和利用至关重要.
- 反向催化剂 (金属表面上的过渡金属氧化物集群) 对二氧化碳化有希望.
- 使用密度函数理论 (DFT) 的传统计算选在计算上是昂贵的.
研究的目的:
- 开发一种机器学习 (ML) 加速的工作流程,用于预测金属氧化物接口的吸附能量.
- 确定控制逆催化剂吸附的电子和结构因素.
- 为了实现对加速催化剂设计的吸附能量的低成本预测.
主要方法:
- 在氧化物集群上列出结合点.
- 使用 DFT 来采样各种吸附环境.
- 培训和评估可解释和黑盒ML模型.
- 在看不见的结构上验证ML模型.
主要成果:
- 开发了一种ML工作流程,用于在金属氧化物接口上快速吸附能量预测.
- 确定了影响吸附的关键电子和结构描述因素.
- 证明了ML模型能够预测新催化剂结构的能量.
- 提供了对逆催化剂吸附能量趋势的见解.
结论:
- 通过ML加速的工作流显著降低了催化剂选的计算成本.
- 这种方法有助于识别活性位点和预测微动力学参数.
- 该方法加速了基于数据的催化剂设计,以利用二氧化碳.
更多相关视频
06:45Author Spotlight: Characterizing Porous Materials for Aiding the Development of Robust Metal-Organic Frameworks with Adsorption Behavior
Published on: March 8, 2024
8.1K
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
12.9K
