view in publisher's site

Accelerating Atomic Catalyst Discovery by Theoretical Calculations‐Machine Learning Strategy

Abstract Atomic catalysts (AC) are emerging as a highly attractive research topic, especially in sustainable energy fields. Lack of a full picture of the hydrogen evolution reaction (HER) impedes the future development of potential electrocatalysts. In this work, the systematic investigation of the HER process in graphdyine (GDY) based AC is presented in terms of the adsorption energies, adsorption trend, electronic structures, reaction pathway, and active sites. This comprehensive work innovatively reveals GDY based AC for HER covering all the transition metals (TM) and lanthanide (Ln) metals, enabling the screening of potential catalysts. The density functional theory (DFT) calculations carefully explore the HER performance beyond the comparison of sole H adsorption. Therefore, the screened catalysts candidates not only match with experimental results but also provide significant references for novel catalysts. Moreover, the machine learning (ML) technique bag‐tree approach is innovatively utilized based on the fuzzy model for data separation and converse prediction of the HER performance, which indicates a similar result to the theoretical calculations. From two independent theoretical perspectives (DFT and ML), this work proposes pivotal guidelines for experimental catalyst design and synthesis. The proposed advanced research strategy shows great potential as a general approach in other energy‐related areas.

تسریع اکتشاف اتمی توسط محاسبات نظری - استراتژی یادگیری ماشینی

چکیده کاتالیست های اتمی (AC)به عنوان یک موضوع تحقیقاتی بسیار جذاب، به ویژه در زمینه انرژی پایدار، در حال ظهور هستند. فقدان تصویر کامل از واکنش تکامل هیدروژن (her)مانع از توسعه آینده الکتروکاتالیست های بالقوه می‌شود. در این تحقیق، بررسی سیستماتیک فرآیند او در سامانه جریان متناوب گرافیکی بر مبنای انرژی‌های جذب سطحی، روند جذب سطحی، ساختارهای الکترونیکی، مسیر واکنش و سایت‌های فعال ارایه شده‌است. این کار جامع به طور ابتکاری، جریان متناوب مبتنی بر Gهام را برای پوشش دادن تمام فلزات واسطه (TM)و لانتانیدها (Ln)نشان می‌دهد، که غربال کردن کاتالیست های بالقوه را ممکن می‌سازد. محاسبات نظریه تابعی چگالی (DFT)به دقت عملکرد او را فراتر از مقایسه جذب خالص H بررسی می‌کند. بنابراین، کاتالیست های غربال شده نه تنها با نتایج تجربی مطابقت دارند بلکه مرجع قابل‌توجهی برای کاتالیست های جدید فراهم می‌کنند. علاوه بر این، روش یادگیری ماشین (ML)درخت کیف به طور نوآورانه براساس مدل فازی برای جداسازی داده‌ها و پیش‌بینی معکوس عملکرد آن استفاده می‌شود، که نتیجه مشابهی را با محاسبات نظری نشان می‌دهد. از دو دیدگاه نظری مستقل (DFT و ML)، این کار دستورالعمل‌های محوری را برای طراحی و سنتز کاتالیست تجربی پیشنهاد می‌کند. استراتژی تحقیق پیشرفته پیشنهادی پتانسیل زیادی را به عنوان یک رویکرد کلی در دیگر حوزه‌های مرتبط با انرژی نشان می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Materials Science
  • ترجمه مقاله General Materials Science
  • مقاله علوم مواد عمومی
  • ترجمه مقاله علوم مواد عمومی
  • مقاله Renewable Energy, Sustainability and the Environment
  • ترجمه مقاله Renewable Energy, Sustainability and the Environment
  • مقاله انرژی تجدید پذیر، پایداری و محیط زیست
  • ترجمه مقاله انرژی تجدید پذیر، پایداری و محیط زیست
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.