用于预测 CO2 还原反应铜基单原子合金催化剂的多任务混合密度图神经网络
材料科学
2022-09-16 v1 机器学习
摘要
图神经网络（GNNs）已引起材料科学家越来越多的关注，并展现出建立结构与性能之间联系的高能力。然而，在仅提供未弛豫结构作为输入的情况下，很少有 GNN 模型能以可接受的误差水平预测弛豫构型的热力学性质。本工作中，我们基于 DimeNet++ 和混合密度网络开发了一种多任务（MT）架构，以改进此类任务的性能。以 CO 在铜基单原子合金催化剂上的吸附为例，我们表明，无需昂贵的第一性原理计算，我们的方法即可从初始 CO 吸附结构以 0.087 eV 的平均绝对误差可靠估计 CO 吸附能。此外，与其他 state-of-the-art GNN 方法相比，我们的模型在预测由未见基底表面或掺杂物种构建的分布外构型的催化性能时表现出改进的泛化能力。我们表明所提出的 MT GNN 策略可促进催化剂发现。
引用
@article{arxiv.2209.07300,
title = {Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction},
author = {Chen Liang and Bowen Wang and Shaogang Hao and Guangyong Chen and Pheng-Ann Heng and Xiaolong Zou},
journal= {arXiv preprint arXiv:2209.07300},
year = {2022}
}
备注
22 pages, 3 figures, 2 tables