机器学习加速特定表面预测策略在基于Janus的Z方案异构结构中,用于高效的光催化水分裂

科学领域:

• 材料科学 材料科学 材料科学
• 光催化作用的光催化
• 可再生能源可再生能源是可再生能源.

背景情况:

• 高效的光催化剂对于太阳能驱动的整体水分离是必不可少的.
• 2D Z-Scheme 异构结构为光催化提供了有前途的平台.
• 需要合理的设计策略来优化光催化剂的性能.

研究的目的:

• 提出一种新的双向数据挖掘策略,用于设计基于Janus的Z-Scheme异构结构.
• 通过机器学习和第一原则计算,协同预测还原和氧化光催化剂.
• 为了研究双极对齐在Janus异极结构中的作用,用于光催化水分裂.

主要方法:

• 开发了一种双向数据挖掘策略,将机器学习和第一原则计算结合起来.
• 确定了TiBrTe/ZrSeS异构结构作为潜在的光催化剂.
• 使用非adiabatic分子动力学 (NAMD) 模拟来研究载体动力学.

主要成果:

• 成功确定了TiBrTe/ZrSeS异构结构,以实现高效的光催化水分解.
• 研究了两个稳定的配置:Te-S (双极对齐) 和Te-Se (双极不对齐).
• 发现与双极不对齐的配置 (Te-Se) 相比,双极不对齐的配置 (Te-S, τ_ee = 0.35 ps, τ_{h h} = 0.36 ps) 显示出更快的介层电荷转移 (τ_{e e} = 0.51 ps).
• 引入了双极错位驱动载体行为 (DMDCB) 机制,加速了界面电荷转移.

结论:

• 建议的数据挖掘策略有效地预测了高效的Z-Scheme异构结构.
• 在双极不对齐的Janus异构结构中的DMDCB机制显著增强了光催化活性.
• 这项工作为设计用于水分的高性能Z-Scheme异构结构提供了理论基础.