降低指数墙：利用神经网络势的局部表面能量描述符加速高熵合金催化剂筛选
量子物理
2025-01-28 v3 材料科学
摘要
计算筛选对于高效设计具有巨大催化应用潜力的高熵合金是不可或缺的。然而，高熵合金的化学空间相对于组成元素的数量呈指数级庞大，使得即使是基于机器学习的筛选计算也极为耗时。为了应对这一挑战，我们提出了一种利用单金属系统（或少组分合金）数据快速预测高熵合金性质的方法。我们方法的核心是引入的局部表面能量（LSE）描述符，它以原子分辨率捕捉局部表面反应性。我们利用单金属系统建立了 LSE 与吸附能之间的相关性。将这种相关性用于线性回归模型，我们成功估算出高熵合金上的分子吸附能，其精度显著高于传统描述符（即广义配位数）。此外，我们通过采用经典机器学习和量子机器学习开发了高精度模型。我们的方法在几天内完成了对 1000 个五元纳米颗粒（每个包含 201 个原子）的 CO 吸附能计算，这比需要数百年的密度泛函理论或需要数百天的神经网络势要快得多。所提出的方法加速了对广阔高熵合金化学空间的探索，促进了新型催化剂的设计。
引用
@article{arxiv.2404.08413,
title = {Lowering the Exponential Wall: Accelerating High-Entropy Alloy Catalysts Screening using Local Surface Energy Descriptors from Neural Network Potentials},
author = {Tomoya Shiota and Kenji Ishihara and Wataru Mizukami},
journal= {arXiv preprint arXiv:2404.08413},
year = {2025}
}