基于吸附质与基底性质的金属上分子吸附的可迁移预测模型
材料科学
2022-07-27 v2 介观与纳米尺度物理
摘要
表面吸附是催化、环境、能源和医学等众多领域的基本过程之一。开发一个能在数分钟内有效预测结合能的吸附模型，一直是表面与界面科学的长期目标。由于对各种组分、结构和环境下的吸附能内在决定因素的识别并非易事，该解决方案一直难以捉摸。我们引入了一种新颖且灵活的预测金属基底上吸附能的模型。该模型基于易于计算的基底与吸附质的内在性质，利用基于第一性原理计算的探针分子（如HO、CO、O、N）在多种纯金属基底上吸附的机器学习进行参数化。对于\textit{Catalysis-Hub.org}提供的跨度为15 eV的大型分子吸附能数据库，该模型预测计算得到的金属表面解离吸附能的相关系数为0.93，平均绝对误差为0.77 eV。由于模型基于预计算量，其可提供近瞬时的吸附能估计，且精度足以在新吸附质筛选研究中排除约90%的候选。因此，该模型显著增强了当前在诸多应用研究领域识别新分子涂层的努力。
引用
@article{arxiv.2108.09392,
title = {A transferable prediction model of molecular adsorption on metals based on adsorbate and substrate properties},
author = {Paolo Restuccia and Ehsan A. Ahmad and Nicholas M. Harrison},
journal= {arXiv preprint arXiv:2108.09392},
year = {2022}
}
备注
11 pages, 7 figures