Redian新闻
>
Npj Comput. Mater.: 高熵合金催化剂—吸附能的线性关系

Npj Comput. Mater.: 高熵合金催化剂—吸附能的线性关系

公众号新闻

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

高温合金的发展为设计新的、性能可调的催化剂材料提供了崭新的机遇。借助于其异质表面化学性质,高温合金可同时激活不同的化学反应,将构成催化和能源应用的范式转变。同时,高温合金的成分丰富,也可以实现催化剂活性、选择性和稳定性的优化。作为催化反应的重要一步,高温合金表面上原子和分子的吸附能在前面得到了广泛研究,如基于密度泛函理论的理论计算和机器学习方法等,但迄今研究还不够清楚。更重要的是,金属表面原子和分子的吸附能存在线性关系,而采取策略打破这种关系是当前催化领域的一个研究热点。


来自美国能源部国家能源技术实验室的Wissam A. Saidi研究了含氢分子*AHx (A为C或N时,x = 0, 1, 2, 3;A为S时,x = 0, 1, 2;A为O时,x = 0, 1)在高熵合金CoMoFeNiCu表面上吸附能性质。作者使用基于特定吸附质和特定位点的深度学习模型,计算得到了*A和*AHx 的吸附能。研究发现,只有当二者的吸附位点具有相同的对称性时,吸附能才呈现出线性关联,这和纯净金属表面普遍存在的线性关系有着明显的区别。进一步的研究表明,所有吸附构型的平均吸附能之间存在一种局部的线性关系,与吸附位点的对称性无关。虽然这是一种弱形式的线性关联,但仍然会阻碍多步反应的完全优化。局部线性关联的出现需要满足(1)近视原理和(2)吸附能在平均值附近集中分布两个条件。近视原理对于所有电子系统普遍成立,而第二个条件仅适用于高熵合金中含有较强反应活性组分的情形。对于贵金属组分的AgAuCuPdPt高熵合金表面,平均吸附能则并不出现局部线性关联。该研究指出,合金并不总是能够打破线性关系,这为高熵合金在催化领域的应用提高了理论指导。

该文近期发表于npj Computational Materials 8:86(2022)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。


Emergence of local scaling relations in adsorption energies on high-entropy alloys

Wissam A. Saidi  


Alloying has been proposed to circumvent scaling relations between the adsorption energies thus allowing for the complete optimization of multistep reactions. Herein the fidelity of scaling rules on high-entropy alloy (HEA) surfaces is assessed focusing on hydrogen-containing molecules, *AHx for A = C and N (x = 0, 1, 2, 3), A = S (x = 0, 1, 2) and A = O (x = 0, 1). Using an adsorbate- and site-specific deep learning model to rapidly compute the adsorption energies on CoMoFeNiCu HEA surfaces, the energies of *AHx and *A are shown to be linearly correlated if *A and *AHx have identical adsorption site symmetry. However, a local linear dependence emerges between the configuration-averaged adsorption energies irrespective of the site symmetry. Although these correlations represent a weaker form of the scaling relationships, they are sufficient to prohibit the optimization of multistep reactions. The underpinning of this behavior is twofold (1) the nearsightedness principle and (2) the narrow distribution of the adsorption energies around the mean-field value. While the nearsightedness is general for all electronic systems, the second criterion applies in HEAs with relatively strong reactive elements. The present findings strongly suggest that alloys may not generally enable the breaking of scaling relationships.


扩展阅读

 
Npj Comput. Mater.: 有机-无机钙钛矿材料—降解机制
Npj Comput. Mater.: 材料定律—识别与发现的新方法
Npj Comput. Mater.: 平带材料中潜藏的奇特明暗激子
Npj Comput. Mater.: 非晶碳传热机制—原子配位
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
Npj Comput. Mater.: 自旋波太短怎么办?电磁波来帮你看!Npj Comput. Mater.: 与材料科学的碰撞:深度学习的近况Npj Comput. Mater.: 极端机械性能—无边界-无目标搜索及其他Npj Comput. Mater.: 金属体系微观结构—建模与仿真综述畅游法国(26)-薰衣草故乡Npj Comput. Mater.: 高温合金—反向晶界能计算[录取捷报]墨尔本大学,Computer Science专业录取啦!Npj Comput. Mater.: 打开黑盒子—可解释的机器学习Npj Comput. Mater.: 材料预测—精确可传递Npj Comput. Mater.: 纳米晶三维结构重建—知识与经验Npj Comput. Mater.: 欲探新材,先学淘宝Npj Comput. Mater.: 二维材料量子点缺陷—建了数据库强盗的逻辑Npj Comput. Mater.: 小涂层大作用—铁电负电容场效应晶体管Npj Comput. Mater.: 单线态裂变设计规则探索,机器学习来助力过去5年的坎坷经历,能够成为META未来发展的催化剂吗?五百年一遇的女子Npj Comput. Mater.: 超快斯格明子的光激发:微观机制Npj Comput. Mater.: 水粘度模拟—第一性原理-深度神经网络Npj Comput. Mater.: 深度学习预测多种电极材料电压Npj Comput. Mater.:神奇的精准控温材料—谁把热量带走了Npj Comput. Mater.: 明察秋毫、分辩入微Npj Comput. Mater.: 超晶格内层中的铁磁性,你测到过吗?UC Santa Cruz VLAA Lab招全奖Computer Vision/Deep Learning博士Npj Comput. Mater.: 有机-无机钙钛矿材料—降解机制Npj Comput. Mater.: 材料定律—识别与发现的新方法初到美国餐馆打工Npj Comput. Mater.: 材料生长缺失数据—贝叶斯优化2022年三季报,能否成为Generac Holdings走出低谷的“催化剂”?Npj Comput. Mater.: 低温晶界迁移—经典模型【庭院种菜】在美国北方,茭白怎么过冬?博士生申请 | UC Santa Cruz VLAA Lab招全奖Computer Vision/Deep Learning博士Npj Comput. Mater.: 结构描述符大佬观点—不是越精确越好Npj Comput. Mater.: 材料计算精度控制的关键—跨不同程序和方法[录取捷报]爱丁堡大学,Computer Science专业录取啦!
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。