通过机器学习与全局结构表示桥接纳米催化剂的结构与活性
介观与纳米尺度物理
2025-09-16 v1 材料科学
化学物理
摘要
建立纳米催化剂结构与其催化性能之间的映射关系对于高效设计至关重要。为此，我们在一个具有代表性且具有挑战性的应用中演示了通用机器学习框架的准确性：预测铂纳米颗粒在电化学氧化还原反应中的质量活性，该活性通过微动力学模型估计。当利用纳米催化剂在计算层面可获得的结构表示，即表面位点广义配位数分布，或利用实验可获得的结构表示，即纳米颗粒的配对距离分布函数时，即可获得准确的模型。在此基础上，我们演示了我们的机器学习模型配合贝叶斯优化，能够在包含超过 50000 种不同结构的大型候选池中，仅通过探测少数几千种结构，即可高效识别出最活性的前 10 名和前 100 名结构。这一发现为加速理论和实验识别活性纳米催化剂提供了稳健的蓝图。
引用
@article{arxiv.2509.10985,
title = {Bridging Structure and Activity in Nanocatalysts via Machine Learning and Global Structure Representations},
author = {Sofia Zinzani and Francesca Baletto and Kevin Rossi},
journal= {arXiv preprint arXiv:2509.10985},
year = {2025}
}