已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整地填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Efficient catalyst screening using graph neural networks to predict strain effects on adsorption energy

催化作用 吸附 拉伤 缩放比例 材料科学 生物系统 密度泛函理论 人工神经网络 计算机科学 化学物理 化学工程 化学 计算化学 数学 物理化学 人工智能 有机化学 生物 工程类 解剖 几何学
作者
Christopher C. Price,Akash Singh,Nathan C. Frey,Vivek B. Shenoy
出处
期刊:Science Advances [American Association for the Advancement of Science]
卷期号:8 (47) 被引量:27
标识
DOI:10.1126/sciadv.abq5944
摘要

Small-molecule adsorption energies correlate with energy barriers of catalyzed intermediate reaction steps, determining the dominant microkinetic mechanism. Straining the catalyst can alter adsorption energies and break scaling relationships that inhibit reaction engineering, but identifying desirable strain patterns using density functional theory is intractable because of the high-dimensional search space. We train a graph neural network to predict the adsorption energy response of a catalyst/adsorbate system under a proposed surface strain pattern. The training data are generated by randomly straining and relaxing Cu-based binary alloy catalyst complexes taken from the Open Catalyst Project. The trained model successfully predicts the adsorption energy response for 85% of strains in unseen test data, outperforming ensemble linear baselines. Using ammonia synthesis as an example, we identify Cu-S alloy catalysts as promising candidates for strain engineering. Our approach can locate strain patterns that break adsorption energy scaling relations to improve catalyst performance.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
2秒前
gxzsdf完成签到 ,获得积分10
3秒前
柚子完成签到 ,获得积分10
6秒前
6秒前
luwenxuan发布了新的文献求助10
9秒前
11秒前
Hello应助哈哈哈哈采纳,获得10
14秒前
光亮静槐完成签到 ,获得积分10
15秒前
16秒前
朴实的热狗关注了科研通微信公众号
17秒前
20秒前
小凉完成签到 ,获得积分10
21秒前
22秒前
23秒前
Kirito完成签到,获得积分0
23秒前
zero1122发布了新的文献求助10
24秒前
哈哈哈哈完成签到,获得积分10
24秒前
wangch198201完成签到 ,获得积分10
25秒前
lyy66964193完成签到,获得积分10
26秒前
哈哈哈哈发布了新的文献求助10
28秒前
清爽源智发布了新的文献求助10
28秒前
nature发布了新的文献求助10
29秒前
善学以致用应助luwenxuan采纳,获得10
29秒前
似水流年完成签到 ,获得积分10
31秒前
Doki发布了新的文献求助10
32秒前
lutiantian发布了新的文献求助10
34秒前
酷波er应助瑾钰满糖采纳,获得10
35秒前
36秒前
卡皮巴拉完成签到,获得积分10
36秒前
清爽源智完成签到,获得积分10
39秒前
41秒前
漂亮采波完成签到,获得积分10
42秒前
YamDaamCaa应助科研顺利啦采纳,获得50
43秒前
敏感的南露完成签到,获得积分10
45秒前
Nefelibata完成签到,获得积分10
46秒前
bystanding完成签到,获得积分10
46秒前
慕青应助zty123采纳,获得10
48秒前
彪壮的银耳汤完成签到 ,获得积分10
50秒前
轩辕山槐完成签到,获得积分10
56秒前
57秒前
高分求助中
A new approach to the extrapolation of accelerated life test data 1000
Picture Books with Same-sex Parented Families: Unintentional Censorship 700
ACSM’s Guidelines for Exercise Testing and Prescription, 12th edition 500
Nucleophilic substitution in azasydnone-modified dinitroanisoles 500
不知道标题是什么 500
Indomethacinのヒトにおける経皮吸収 400
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 370
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3976600
求助须知:如何正确求助?哪些是违规求助? 3520674
关于积分的说明 11204422
捐赠科研通 3257298
什么是DOI,文献DOI怎么找? 1798683
邀请新用户注册赠送积分活动 877842
科研通“疑难数据库(出版商)”最低求助积分说明 806595