Ускоренное машинным обучением прогнозирование каталитической активности двухметалльных каталитических центров на основе фталоцианинов переходных металлов для восстановления CO₂

Machine-Learning-Accelerated Catalytic Activity Predictions of Transition Metal Phthalocyanine Dual-Metal-Site Catalysts for CO2 Reduction
Zhaofu Zhang, Xuhao Wan, Yuzheng Guo, Jun Wang, Huan Niu, Yiheng Yin, Chunguang Kuai, Chen Shao
2021-06-25

реакция восстановления CO2теория функционала плотностикатализаторы с двойными металлическими центрамиградиентный бустинг регрессиифталоцианины переходных металлов
Высокоактивная и селективная реакция восстановления диоксида углерода (CO₂RR) позволяет получать ценные продукты, такие как топлива и химические вещества, одновременно снижая выбросы парниковых газов. Одноатомные катализаторы (SAC) и катализаторы с двухметалльными центрами (DMSC), обладающие высокой активностью и селективностью, являются эффективными электрокатализаторами CO₂RR, поскольку обеспечивают более высокую степень использования активных центров и меньшую стоимость по сравнению с традиционными благородными металлами. В настоящей работе предложен рациональный и инновационный метод на основе теории функционала плотности, ускоренный машинным обучением (DFT–ML), для исследования каталитической активности в реакции CO₂RR сотен DMSC на основе фталоцианинов (Pc) переходных металлов. Показано, что алгоритм градиентного бустинга для регрессии (GBR) является наиболее подходящей моделью машинного обучения; с его помощью построена модель прогнозирования каталитической активности со среднеквадратичной ошибкой всего 0,08 эВ. Результаты прогнозирования методом машинного обучения показывают, что Ag–MoPc является перспективным электрокатализатором CO₂RR с предельным потенциалом всего −0,33 В. Гибридная схема DFT–ML повышает эффективность в 6,87 раза, при этом ошибка прогнозирования составляет всего 0,02 В, что открывает путь к ускорению рационального проектирования эффективных катализаторов для преобразования и аккумулирования энергии.
1
Разработан основанный на теории функционала плотности и ускоренный машинным обучением метод оценки активности сотен биметаллических каталитических центров на фталоцианинах переходных металлов для восстановления CO2.
2
Ag-MoPc предсказан как перспективный электрокатализатор восстановления CO2 с предельным потенциалом всего −0,33 В.
3
Регрессионная модель с градиентным бустингом показала наилучшие характеристики и достигла среднеквадратичной ошибки прогнозирования 0,08 эВ.
4
Предложенный подход обеспечивает рациональное и ускоренное проектирование и скрининг биметаллических катализаторов для преобразования энергии.
5
Гибридная схема DFT–машинное обучение повысила эффективность скрининга в 6,87 раза при ошибке прогнозирования всего 0,02 В.

Двухметалльные каталитические системы на основе фталоцианинов переходных металлов для восстановления CO2

Каталитическая активность, селективность и предельный потенциал восстановления CO2 для семейства этих катализаторов, включая Ag-MoPc

Publication Details
Publication Date
2021-06-25
Journal
Publisher
ISSN
Cited by
172
Access Type
Author Information
Authors
Zhaofu Zhang
Xuhao Wan
Yuzheng Guo
Jun Wang
Huan Niu
Yiheng Yin
Chunguang Kuai
Chen Shao
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%