利用物理启发的图表示与机器学习预测复杂吸附质的结合构型
化学物理
2022-07-27 v2
摘要
异相催化中的计算筛选日益依赖机器学习模型来预测关键输入参数,因为直接使用第一性原理方法计算这些参数代价高昂。当考虑复杂材料空间(例如合金)或吸附质可能呈现双齿及更高齿数吸附构型的复杂反应机理时,这一点尤为关键。本文提出一种数据高效的方法,基于定制的 Wasserstein Weisfeiler-Lehman 图核与高斯过程回归,预测复杂吸附质在过渡金属(TMs)及其合金上的结合构型及相应吸附焓。该模型不仅对所训练的纯元素过渡金属具有良好的预测性能,对基于这些过渡金属的合金同样有效。此外,纳入极少的新训练数据即可预测域外过渡金属。我们认为该模型可用于主动学习方法中,并为此提出了一种集成不确定性估计方法。
引用
@article{arxiv.2202.11866,
title = {Predicting binding motifs of complex adsorbates using machine learning with a physics-inspired graph representation},
author = {Wenbin Xu and Karsten Reuter and Mie Andersen},
journal= {arXiv preprint arXiv:2202.11866},
year = {2022}
}
备注
update open source repository and reference