作者 | 王宇哲 编辑 | 李仲深
论文题目
Exploring Structure-Sensitive Relations for Small Species Adsorption Using Machine Learning
论文摘要
非均相催化剂表面吸附能的准确预测是预测反应活性和筛选材料的关键。广泛发展的吸附线性比例关系往往准确性不足，并且每次只适用于一种吸附物和一种结合位点类型，这削弱了他们预测结构灵敏度和最佳催化剂结构的能力。利用机器学习对近300个密度泛函理论的结果计算，我们证明了广义配位数比例关系对氧和高价碳结合的物种有效，但对其他物种无效。我们揭示了化合物的价态和电子与表面的耦合以及位点类型和配位环境对小分子化合物的吸附起着至关重要的作用。该模型同时预测吸附能和首选位点，并在精度上显著优于线性尺度。它可以暴露化学反应的结构敏感性，并通过设计颗粒形状和小关节缺陷增强催化剂活性。通过使用过渡金属数据训练模型，并将其转化为预测单原子合金吸附能的方法，同时验证了该方法的通用性。
论文链接
https://pubs.acs.org/doi/10.1021/acs.jcim.2c00872
GitHub链接
https://github.com/xzong0619/Adsorption_Machine_Learning
