弗吉尼亚理工大学蒂娜·拉塞尔 贝谢姆方法的图像,用于揭示金属表面化学键合的轨道性质
信用:弗吉尼亚理工大学 一种新的机器学习方法为催化提供了重要的见解,催化是一种基本的过程,可以减少有毒废气的排放或生产织物等基本材料
在《自然通讯》发表的一篇报告中,弗吉尼亚理工大学化学工程副教授辛洪亮和他的研究团队开发了一种化学吸附的贝叶斯学习模型,旨在利用人工智能来解开催化剂表面化学键的本质
“这一切都归结于催化剂如何与分子结合,”辛说
“这种相互作用必须足够强,在相当低的温度下就能破坏一些化学键,但不能太强,以免催化剂被反应中间体毒害
这条规则被称为催化中的萨巴蒂埃原理
" 辛说,了解催化剂如何与不同的中间体相互作用,并确定如何控制它们的结合强度,使它们处于“高尔体带”内,是设计高效催化过程的关键
这项研究为此提供了一个工具
贝叶斯学习是一种特殊的机器学习算法,用于从数据中推断模型
“假设你有一个建立在完善的物理定律基础上的领域模型,你想用它来做预测或了解世界的一些新东西,”前化学工程博士生王思文解释道
“贝叶斯方法是在给定我们的先验知识和观察到的(通常是稀缺的)数据的情况下,学习模型参数的分布,同时提供模型预测的不确定性量化
" Bayeschem中使用的化学吸附d带理论是一种描述固体表面化学键的理论,涉及通常形状像四叶草的d电子
该模型解释了催化剂原子的d轨道是如何重叠并被吸引到具有球形或哑铃状形状的吸附质价轨道上的
自从上世纪90年代由哈默和诺斯科夫开发以来,它一直被认为是多相催化的标准模型,尽管它已经成功地解释了许多系统的成键趋势,辛说,由于电子相互作用的内在复杂性,该模型有时会失败
据辛介绍,贝耶舍姆将d带理论带到了一个新的水平,量化了这些相互作用的强度,并可能定制一些旋钮,如结构和成分,以设计更好的材料
该方法通过扩展吸附性质的预测和解释能力来推进化学吸附的d带理论,这两者在催化剂发现中是至关重要的
然而,与通过大量数据训练的黑盒机器学习模型相比,巴耶舍姆的预测精度仍有待提高,辛所在小组的化学工程博士生赫曼特·皮莱(Hemanth Pillai)说,他对这项研究做出了同样的贡献
辛说:“有机会提出基于深度学习算法和化学吸附理论的高度精确和可解释的模型,对于实现人工智能在催化领域的目标是非常有益的。”
来源:由phyica.com整理转载自PH,转载请保留出处和链接!