机器学习加速发现了用于质子交换膜的质子导电二维材料
Yuting Li1,2, Daniel Bahamon1,2, Marcelo Lozada-Hidalgo3
1Research & Innovation Center for Graphene and 2D Materials (RIC-2D), Khalifa University of Science and Technology, Abu Dhabi 127788, UAE.
ACS nano
|December 27, 2025
概括
本研究介绍了一个使用模拟和机器学习的框架,用于发现用于质子交换膜 (PEM) 的新二维材料. 它确定了用于高效运输和能源技术的有希望的材料.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 纳米技术 纳米技术
背景情况:
- 传统的基于聚合物的质子交换膜 (PEMs) 面临着局限性.
- 二维 (2D) 材料提供优越的质子导电性,机械强度和可调的表面.
- 对于先进的PEM应用,需要加速发现新的2D材料.
研究的目的:
- 开发一个集成的计算框架,用于发现非金属二维材料中的质子和运输特性.
- 为了确定控制质子运输的关键结构-属性关系.
- 引导用于能技术的高性能纳米材料的设计.
主要方法:
- 利用初始分子动力学 (AIMD) 模拟来计算透屏障.
- 采用机器学习 (ML),特别是随机森林,来预测质子运输特性.
- 选了866种非金属二维材料,并进行了额外的AIMD选择性分析.
主要成果:
- 确定了质子运输的关键描述符,包括质子-原子距离,孔径,层间距离和电子亲和力.
- 发现了18种对H+/H2选择性的有前途的二维材料,包括2DSi,Ge,TeC,TeCl,GeSe和CSe等新型候选材料.
- 通过识别已知的材料,如石墨烯和六角化,验证了框架的稳定性.
结论:
- 集成的AIMD-ML框架有效地加速了用于PEM的2D材料的发现.
- 一些经过实验合成但未被充分探索的二维材料显示出对质子导电的巨大潜力.
- 这项工作为设计下一代能纳米材料提供了基本的见解和实际指导.
