机器学习研究PFAS在过渡金属中的中间吸附:用于环境催化剂设计的缩放关系
Junyao Wu1,2, Wei Gao2, Ziyun Wang1
1School of Chemical Sciences, University of Auckland, Auckland 1010, New Zealand.
Environmental science & technology
|October 20, 2025
概括
这项研究引入了一个DFT-ML框架,以加快发现用于降解持久性基和多基物质 (PFAS) 的催化剂. 该方法识别了关键中间体,并使用机器学习来预测环境污染物去除催化剂的性能.
科学领域:
- 环境化学环境化学
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- 和多基基物质 (PFAS) 是持续的全球污染物.
- 传统的补救方法对PFAS无效,需要开发新的催化剂.
研究的目的:
- 开发一个集成的密度功能理论 (DFT) 和机器学习 (ML) 框架,以加速发现PFAS降解催化剂.
- 提供对过渡金属表面的PFAS降解途径的机械洞察力.
主要方法:
- 在12个过渡金属表面上对18个关键降解中间体进行系统的DFT计算.
- 确定脱和碳链裂变的线性缩放关系.
- 开发一种ML模型,使用基于知识的特征来对吸附模式进行分类.
主要成果:
- 对于PFAS降解中间体,发现了一致的热力学趋势和线性缩放关系.
- 在对吸附相关性模式进行分类时,ML模型获得了0.90的F1得分.
- 该框架使复杂的退化网络的维度减少和路径重建成为可能.
结论:
- 集成的DFT-ML框架为有效的PFAS催化剂查提供了机制性见解和描述器引导的策略.
- 这种方法对发现其他持久性有机污染物的催化剂具有潜在的适用性.
- 该框架可以扩展到更大的数据集,以涵盖不同的PFAS家族和催化剂.
更多相关视频
05:52Resource Recycling of Red Soil to Synthesize Fe2O3/FAU-type Zeolite Composite Material for Heavy Metal Removal
Published on: June 2, 2022
3.3K
11:14Two-way Valorization of Blast Furnace Slag: Synthesis of Precipitated Calcium Carbonate and Zeolitic Heavy Metal Adsorbent
Published on: February 21, 2017
12.8K
