通过物理信息机器学习潜力和粒子群优化加速各种Bi-Pt纳米集群的结构探索
Raphaël Vangheluwe1, Carine Clavaguéra1, Minh-Tue Truong1
1Université Paris-Saclay, CNRS, Institut de Chimie Physique, UMR 8000, 91405, Orsay, France.
概括
- (Bi-Pt) 纳米集群显示了多种结构. 一个数据驱动的方法成功地分类了这些双金属纳米集群,
科学领域:
- 材料科学
- 计算化学
- 纳米技术
背景情况:
- 双金属纳米集群,如- (Bi-Pt),显示复杂的结构安排.
- 了解这些结构对于预测和优化它们的特性至关重要.
研究的目的:
- 使用先进的计算方法系统地分类Bi-Pt纳米集群.
- 在双金属纳米集群中建立分析结构属性关系的框架.
主要方法:
- 通过机器学习潜力 (ChIMES) 改进的密度函数理论 (DFT) 计算.
- 使用CALYPSO粒子群优化进行全球结构搜索.
- 通过主要组件分析 (PCA) 和K-means集群进行数据驱动的分类.
主要成果:
- 鉴定和分类了34个不同的Bi20-Pt20纳米集群结构.
- 由于电荷转移效应,石原子优先占据表面位置.
- 仅靠凝聚力是不足以区分结构的;需要基于数据的方法.
结论:
- 一个新的计算框架使双金属纳米集群的自动分类成为可能.
- 通过振动,电子和光谱分析来了解稳定性和功能性质.
- 这项工作促进了纳米集群结构多样性和行为的理解.


