利用机器学习预测双金属催化剂用于乙醇重整的活性与选择性
材料科学
2020-08-05 v1
摘要
机器学习非常适用于大型均匀数据集中的模式检测，但关于催化剂研究的一致实验数据集往往较小。在此我们展示如何结合机器学习与第一性原理计算，从相对较小的实验数据集中提取知识。该方法基于将计算得到的过渡态能量库上训练的复杂机器学习模型，与文献中实验催化活性及选择性的简单线性回归模型相结合。利用该组合模型，我们识别了乙醇重整中涉及的关键 C-C 键断裂反应，并对具有 TM-Pt-Pt(111) 与 Pt-TM-Pt(111) 构型（TM = 3d 过渡金属）的单层双金属催化剂上的乙醇重整进行了计算筛选。该模型还预测了四种有前景的催化剂组分供未来实验研究。该方法不限于乙醇重整，也可普遍用于实验观测的解释以及催化材料的计算发现。
引用
@article{arxiv.2008.01243,
title = {Predicting the Activity and Selectivity of Bimetallic Metal Catalysts for Ethanol Reforming using Machine Learning},
author = {Nongnuch Artrith and Zhexi Lin and Jingguang G. Chen},
journal= {arXiv preprint arXiv:2008.01243},
year = {2020}
}
备注
29 pages, 10 figures, 2 Tables