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
2021-06-25
SCID: 54.1/sgtveuef
Discuss with AI
реакция восстановления CO2теория функционала плотностикатализаторы с двойными металлическими центрамиградиентный бустинг регрессиифталоцианины переходных металлов
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
Двухметалльные каталитические системы на основе фталоцианинов переходных металлов для восстановления CO2
Research Subject
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
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Scikit-learn: машинное обучение на Python2012
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Greedy function approximation: A gradient boosting machine.2001
QuantumATK: интегрированная платформа инструментов для электронного моделирования и моделирования на атомном уровне2019