相关实验视频
Updated: Apr 11, 2026
13:37
Polymer Microarrays for High Throughput Discovery of Biomaterials
Published on: January 25, 2012
15.0K
双金属材料的高吞吐量设计通过多模式机器学习和可访问性指数
Yuming Gu1, Yating Gu1, Maochen Yang2
1State Key Laboratory of Coordination Chemistry, School of Chemistry and Chemical Engineering, Nanjing University Nanjing 210023 P. R. China majing@nju.edu.cn zhuyan@nju.edu.cn.
Chemical science
|September 29, 2025
概括
本研究介绍了一种多式机器学习 (MML) 模型,用于高效的双金属纳米集群发现,整合各种特征来预测形成能量和实验可访问性. 开发的可访问性指数 (φ) 有助于设计具有有利性质的新型双金属材料.
科学领域:
- 计算材料科学科学 计算材料科学
- 机器学习在化学中的应用
- 纳米材料设计设计
背景情况:
- 探索双金属系统是具有挑战性的,因为元素,连接体和协调环境的巨大组合空间.
- 准确预测形成能量 (E_form) 对于识别有前途的双金属候选物至关重要.
- 协调环境显著影响材料特性,需要先进的建模方法.
研究的目的:
- 开发一种有效的方法来选具有有利形成能量的双金属系统.
- 用多式联机机器学习 (MML) 来减少形成能量中的预测错误.
- 建立一个评估双金属材料实验可访问性的通用索引.
主要方法:
- 利用图形卷积神经网络 (GCNN) 具有多层次的注意力机制和沙普利增量解释 (SHAP) 进行E_form预测.
- 将MML应用于11,186个双金属纳米集群配置,集成分子图,混合度 (H_mix) 和配体特性 (SMILES,log P).
- 引入了可访问性指数 (φ),结合了电负性 (χ_env) 和减少的原子距离指数 (D̃),以评估没有DFT计算的实验可行性.
主要成果:
- 该MML模型准确地预测了超过一千个原子的纳米集群的特性.
- 可访问性指数 (φ) 与能量有利的原子间电荷转移和最佳原子间距离相关.
- 合成了六种双金属材料 (三种纳米集群和三种二维材料),具有有利的可访问性指数 (φ ≥0.30) 和低形成能量 (<-1 eV/原子).
结论:
- 拟议的MML计划显著加快了双金属材料的发现和设计.
- 可访问性指数 (φ) 提供了一种快速可靠的方法来评估实验性可访问性.
- 这种方法对高通量发现和先进双金属材料的合理设计具有前途.
