机器学习引导的设计L12-类型的Pt-基于高的金属间化合物用于电催化进化
Zhe Wang1, Xi Chen2, Ting Lin2
1State Key Laboratory of Crystal Materials, Shandong University, Jinan, 250100, P. R. China.
Advanced materials (Deerfield Beach, Fla.)
|October 15, 2025
概括
一个新的数据驱动框架加速了高金属间化合物 (HEIC) 的设计,以实现高效的演化反应 (HER). Pt3 ((CrMnFeCo) 显示出异常的HER活性,促进了催化剂的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 催化剂是一种催化剂.
- 计算化学计算化学
背景情况:
- 高金属间化合物 (HEIC) 的合理设计受到复杂的结构-性质关系的阻碍.
- 在HEIC中缺乏评估演化反应 (HER) 活动的预测工具.
研究的目的:
- 开发一个数据驱动的框架,用于评估L12型体Pt3M的HER活性.
- 为有效生产气确定有前途的HEIC催化剂.
主要方法:
- 使用3D过渡金属设计了15种不同的L12型二元化HEIC组合物.
- 采用在计算数据集上训练的深度神经网络,在众多微观结构中预测吸附能量 (ΔEH*).
- 引入了一种新的统计评估方法,以在最佳 ΔEH* 范围内量化微态.
主要成果:
- 该框架成功地预测了每组合成千上万个微观结构的特定站点HER性能.
- Pt3 ((CrMnFeCo) 被确定为最有前途的 HER 催化剂候选者.
- 实验验证证了Pt3 ((CrMnFeCo) 在广泛的pH范围内的优越的HER活性.
结论:
- 数据驱动的框架为HEIC催化剂设计提供了一个新的范式.
- 地表Co,Cr和Fe以及地下Ni和Co被确定为优化HER活动的关键元素.
- 这项研究加深了对复杂的多金属系统中催化活性的机制学理解.


