Redian新闻
>
Npj Comput. Mater.: 单原子催化剂—动态电荷转移模型

Npj Comput. Mater.: 单原子催化剂—动态电荷转移模型

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

单原子催化剂是一种有前景的材料,它可以充分地利用活性位点,提高催化效率。迄今,各类衬底材料都已经被用于制备单原子催化剂,如其他金属、掺杂的碳、金属有机框架和最常见的氧化物材料,等等。氧化物上单原子的稳定性通常归因于其较强的金属-载体相互作用,其电子可以从金属转移给载体,也可以从载体转移给金属,因而导致金属原子电子结构性质的改变。例如,由于金属和二氧化铈衬底的电子耦合作用,Pt1/CeO2体系中孤立Pt原子的氧化态会发生动态变化。这种动态效应显著增加了结构和电子的复杂性,使预测动态行为具有挑战性。


来自西班牙巴塞罗那科技学院的Núria López教授领导的团队,提出了一种数据驱动的方法来获得一个简单的模型,可以识别衬底支撑单原子催化剂的动态电荷转移。作者发现,孤立的单金属原子和二氧化铈载体之间的动态电荷转移无处不在,并且可以通过描述金属-载体相互作用的数学表达式来预测动态电荷转移。他们为基于CeO2的9-11族金属单原子催化剂创建了一个(701)基态和低激发态数据库,使用机器学习技术重现了所有的单原子催化剂的基态和激发态能量,然后使用主要特征来构建一个简约的、可解释的模型,该模型能够预测动态电子转移的出现,并合理化主要贡献。该模型选择了八个基本变量:原子序数、电离势、大小和金属配位、金属-氧键强度、表面应变和库仑相互作用,概括了以前的Born-Haber模型。其所提出的使用数据驱动的机器学习技术能够对金属-衬底相互作用中的动态电子转移进行预测,并为在单原子模型中引入复杂的电子结构铺平了道路。

该文近期发表于npj Computational Materials 8:171(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。



Data-driven models for ground and excited states for Single Atoms on Ceria 


Julian Geiger, Albert Sabadell-Rendón, Nathan Daelman & Núria López 


Ceria-based single-atom catalysts present complex electronic structures due to the dynamic electron transfer between the metal atoms and the semiconductor oxide support. Understanding these materials implies retrieving all states in these electronic ensembles, which can be limiting if done via density functional theory. Here, we propose a data-driven approach to obtain a parsimonious model identifying the appearance of dynamic charge transfer for the single atoms (SAs). We first constructed a database of (701) electronic configurations for the group 9–11 metals on CeO2(100). Feature Selection based on predictive Elastic Net and Random Forest models highlights eight fundamental variables: atomic number, ionization potential, size, and metal coordination, metal–oxygen bond strengths, surface strain, and Coulomb interactions. With these variables a Bayesian algorithm yields an expression for the adsorption energies of SAs in ground and low-lying excited states. Our work paves the way towards understanding electronic structure complexity in metal/oxide interfaces.


扩展阅读

 
Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型
Npj Comput. Mater.: 材料角度信息—图神经网络
Npj Comput. Mater.: 纳米晶三维结构重建—知识与经验
Npj Comput. Mater.: 自旋波太短怎么办?电磁波来帮你看!
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.: 局部原子邻域描述符—无损压缩一文详解Prompt学习和微调(Prompt Learning & Prompt Tuning)Npj Comput. Mater.: 原子尺度成像—机器学习的亚像素处理Npj Comput. Mater.: 自旋波太短怎么办?电磁波来帮你看!Npj Comput. Mater.: 欲探新材,先学淘宝[录取捷报]墨尔本大学,Computer Science专业录取啦!Npj Comput. Mater.: 极端机械性能—无边界-无目标搜索及其他巴黎,巴黎(2)UC Santa Cruz VLAA Lab招全奖Computer Vision/Deep Learning博士巴黎,巴黎(3)博士生申请 | UC Santa Cruz VLAA Lab招全奖Computer Vision/Deep Learning博士Npj Comput. Mater.: 氧化物中的拓扑态—如何不再众里寻她千百度?Npj Comput. Mater.: 打开黑盒子—可解释的机器学习Npj Comput. Mater.: 低温晶界迁移—经典模型Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型Npj Comput. Mater.: 优质金属零件的打印—人类智能增强的机器学习拥有“两幅面孔”的碳催化剂:平衡活性与电导,提升电催化性能 | NSR巴黎,巴黎(1)Npj Comput. Mater.: 沸石—大规模精确模拟Npj Comput. Mater.: 纳米晶三维结构重建—知识与经验Npj Comput. Mater.: 材料生长缺失数据—贝叶斯优化人老珠黄,树冻林红银座蹓Npj Comput. Mater.: 原子间势—准确性和可迁移性Npj Comput. Mater.: 让马儿跑得又快又准—晶格热导率预测Npj Comput. Mater.: 稳定半导体材料的发现—深度学习-DFTNpj Comput. Mater.: 2D过渡金属单卤化物—如此超导和拓扑态Npj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释Npj Comput. Mater.: 材料预测—精确可传递CO2辅助生成富含晶界的Cu催化剂实现高效CO-CO偶联Npj Comput. Mater.: “工艺-结构-性能”—谁知其中不确定性?Npj Comput. Mater.: 单原子催化剂动态电荷转移—找CeO2试一下Npj Comput. Mater.: 聚簇描述—机器学习法实现外推Npj Comput. Mater.: 玻璃结构预测—懂物理的机器学习Npj Comput. Mater.: 水粘度模拟—第一性原理-深度神经网络
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。