预训练机器学习在异质催化中的原子间潜力的挑战和机遇
Oliver Loveday1,2, Kamila Kaźmierczak3, Núria López1
1Institute of Chemical Research of Catalonia (ICIQ-CERCA), The Barcelona Institute of Science and Technology, Av. Països Catalans 16, Tarragona 43007, Spain.
机器学习原子间潜力 (MLIPs) 提供了计算催化学的范式转变,以更低的成本匹配密度函数理论 (DFT) 的准确性. 这一观点探讨了MLIP作为异质催化剂的工具,解决广泛采用的挑战.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 催化剂是一种催化剂.
背景情况:
- 精确的表面反应率建模对于催化剂设计至关重要.
- 密度函数理论 (DFT) 是原子学理解的主要计算方法.
- 在计算上,DFT计算非常昂贵.
研究的目的:
- 为异质催化提供最先进的机器学习原子间潜力 (MLIPs) 的概述.
- 评估MLIPs作为催化研究的"开箱即用"工具.
- 讨论MLIPs在民主化计算催化剂方面的潜力.
主要方法:
- 概括不同MLIP家族及其培训过程.
- 将预训练的MLIP模型应用于异构的催化问题.
- 批判性地评估模型的可转移性和整合挑战.
主要成果:
- MLIP显示出与显著降低计算成本的DFT准确度相匹配的潜力.
- 预先训练有素的MLIP可以应用于异质的催化问题.
- 在模型可转移性,标准化和实现可靠的预测能力方面仍然存在挑战.
结论:
- MLIPs代表了计算催化学的重大进步.
- 需要标准化的协议来衡量MLIP的性能.
- 需要进一步发展,以克服MLIP广泛,可靠使用的障碍.
更多相关视频
05:51Isotopic Effect in Double Proton Transfer Process of Porphycene Investigated by Enhanced QM/MM Method
Published on: July 19, 2019
12:08Catalytic Reactions at Amine-Stabilized and Ligand-Free Platinum Nanoparticles Supported on Titania During Hydrogenation of Alkenes and Aldehydes
Published on: June 24, 2022
相关概念视频
Heterogeneous Catalysis
Introduction to Mechanisms of Enzyme Catalysis
Introduction to Mechanisms of Enzyme Catalysis
Catalysis
Reduction of Alkenes: Asymmetric Catalytic Hydrogenation
The metal catalyst used can be either heterogeneous or homogeneous. When hydrogenation of an alkene generates a chiral center, a pair of enantiomeric products is expected to form. However, an enantiomeric excess of one of the products can be facilitated using an enantioselective reaction or an...
