基于机器学习的方法,用于快速预测和分析Janus材料的气体传感性能

科学领域:

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

背景情况:

• 有毒气体排放带来了重大的环境和健康风险,需要先进的气体检测技术.
• 开发高性能,具有成本效益的气体传感材料对于有效的监测和缓解至关重要.

研究的目的:

• 建立一个集成的密度功能理论-机器学习 (DFT-ML) 框架,用于加快对Janus过渡金属二甲基化物材料的选.
• 确定用于检测一氧化 (NO),二氧化 (NO2) 和氨 (NH3) 的有希望的材料.

主要方法:

• 利用密度函数理论 (DFT) 计算了162个Janus材料气体系统的吸附能量.
• 开发了一种机器学习模型,其梯度增强回归 (GB) 显示出最佳性能 (R2 = 0.960).
• 采用SHAP分析来识别影响物质气体相互作用的关键特征,例如带间隙和原子半径.

主要成果:

• 梯度增强回归模型实现了高预测精度,识别了传感关键特征.
• 鉴于其出色的响应性和可重复使用性,NbSSe和VSSE被确定为NO和NO2检测的有希望的候选者.
• DFT-ML框架显著降低了计算成本,同时保持了预测可靠性.

结论:

• 集成的DFT-ML框架为气体传感材料的高通量发现提供了一个有效的范式.
• 这种方法促进了环境监测复杂材料系统的智能设计.
• 这项研究表明了开发下一代气体传感器的可行途径.