机器学习对电子值的解码,用于预测太阳能诱导的氧化反应性物种和抗生素降解的定向生成

科学领域:

• 环境科学 环境科学
• 材料科学 材料科学 材料科学
• 计算化学计算化学

背景情况:

• 抗生素降解对环境保护至关重要.
• 太阳能驱动的催化剂提供了一个可持续的解决方案.
• 设计高效的催化剂传统上涉及广泛的试错.

研究的目的:

• 开发一个结合理论计算和机器学习 (ML) 的多尺度框架,用于设计太阳能驱动的异质连接催化剂.
• 预测抗生素的降解动力学和识别反应性物种的产生.
• 了解控制催化剂性能的电子结构-属性相关性.

主要方法:

• 建立了一个数据库,包含453个具有36个参数的催化剂.
• 采用基于CatBoost的双任务ML模型进行预测.
• 采用了沙普利添加式扩展 (SHAP) 和递归特征消除来进行分析.
• 在定制的异质连接催化剂上进行实验验证.

主要成果:

• 该ML模型在预测降解动力学 (R2 = 0.8073) 和反应性物种生成 (0.9360测试精度) 中取得了高精度.
• 识别了金属元素的d电子数和非金属电子阴性作为反应性物种定向的关键因素.
• 观察到反应时间,特定表面积和降解效率之间的非线性关系,具有平原效应.

结论:

• 开发的ML范式为设计环境催化剂提供了一种可解释和有效的方法.
• 这种方法克服了传统的试错方法的局限性,使抗生素降解系统的有针对性的设计成为可能.
• 该研究强调了电子结构与性能相关性在优化催化剂性能方面的重要性.