机器学习潜力的数据库构建中的推断技术:在催化过程中采样符合性道中实现亚化学准确性
Thantip Roongcharoen1, Giorgio Conter1, Giacomo Melani1
1CNR-ICCOM, ConsiglioNazionale delle Ricerche, via Giuseppe Moruzzi 1, Pisa 56124, Italy.
我们开发了CSCP-X,一种用于创建精确机器学习原子间潜能 (MLIP) 的计算方法. 这加快了催化剂的发现,使复杂的反应路径的高预测准确性高效的探索.
科学领域:
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 准确预测催化反应路径对于催化剂设计至关重要.
- 第一原则计算虽然准确,但对于大规模选而言,计算成本昂贵.
- 机器学习的原子间潜力 (MLIP) 提供了一种加速这些计算的方法.
研究的目的:
- 介绍一个计算工作流程,CSCP-X,用于构建高度准确的MLIP.
- 为了加速对复杂的催化反应的潜在能量表面的探索.
- 为了实现预测催化剂选的亚化学精度.
主要方法:
- 开发了用抽象技术 (CSCP-X) 增强的催化过程的合规采样工作流.
- 与DFT相比,构建的MLIP具有亚化学精度 (∼0.03 eV).
- 在各种金属催化剂上将CSCP-X应用于甲醇分解.
主要成果:
- MLIPs实现了高计算效率的催化剂选的目标精度.
- 仅需要多达两个代主动学习步骤,数据集增长不大.
- 证明了对反应能量障碍的准确预测,并发现了替代反应路径.
结论:
- CSCP-X 能够强大而高效地加速新型催化材料的发现.
- 该方法实现了与基于物理的模型可比的机械可转移性.
- CSCP-X是用于高吞吐量催化剂选和设计的强大工具.
更多相关视频
08:43PTR-ToF-MS Coupled with an Automated Sampling System and Tailored Data Analysis for Food Studies: Bioprocess Monitoring, Screening and Nose-space Analysis
Published on: May 11, 2017
07:49On-line Analysis of Nitrogen Containing Compounds in Complex Hydrocarbon Matrixes
Published on: August 5, 2016
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
Turnover Number and Catalytic Efficiency
Chymotrypsin is a pancreatic enzyme that breaks down proteins during digestion....
Predicting Reaction Outcomes
Analysis of Population Pharmacokinetic Data
