钙钛矿催化性质的机器学习设计
材料科学
2023-11-03 v1
摘要
发现能高效催化氧还原与析氧反应的新材料，对于推动固体氧化物燃料电池和电解槽（SOFC/SOEC）技术的广泛应用至关重要。在此，我们开发机器学习（ML）模型来预测对 SOFC/SOEC 应用关键的钙钛矿催化性质，包括氧表面交换、氧扩散率和面积比电阻（ASR）。这些模型基于易于计算的元素特征，比基于第一性原理衍生特征的最佳模型更准确且快得多，有可能在基于描述符的筛选中消除对第一性原理计算的需求。我们的 ASR 模型支持温度依赖预测，具有良好校准的不确定性估计和在线可访问性。时间交叉验证的使用显示我们的模型能在新 promising 材料被首次发现之前有效发现它们，表明我们的模型可作出有意义的预测。利用 SHapley Additive ExPlanations（SHAP）方法，我们详细讨论了 ML 性质预测中模型特征化的不同方法。最后，我们用模型筛选了超过 1900 万种钙钛矿，编制出一份有前景的廉价、地壳丰度高、稳定且高性能材料清单，并发现一些顶级材料含有较少被探索的元素混合物（如 K、Bi、Y、Ni、Cu）值得更详细研究。
引用
@article{arxiv.2311.01401,
title = {Machine Learning Design of Perovskite Catalytic Properties},
author = {Ryan Jacobs and Jian Liu and Harry Abernathy and Dane Morgan},
journal= {arXiv preprint arXiv:2311.01401},
year = {2023}
}