机器学习加速催化趋势定位

日本研究人员使用机学习法缩短预测不同金属催化潜力所需时间

金属表面和吸附物之间的绑定主要取决于金属电子结构更多能量居中 金属d带创建强联结 介于表面和吸附基于此理论 科学家早就把D波段中心 视为金属催化活动的关键标志

研究者通常使用第一原理计算法独立计算每一金属值现在,作为更广泛兴趣的一部分 机器学习应用川一政北海道大学组开发出预测d带中心值的新方法用户使用现成数据,如密度电子化从其他金属或二元元预测11个金属及其二元合金d波段中心结果优于通过密度函数理论获取的值

Takigawa表示,这样一条路线可以允许他们'从已检验材料积存数据中推介不可识别材料的重要属性',这可能“消除科学发现难度高代价试错性质”。

机器学习计算通常需要几毫秒,而初级原理计算则视近似值使用大小而视秒数和日数而异Takigawa补充道,机器学习最有效确定值时“需要非常复杂计算第一原理”。

设计用于特定目的的催化剂,如污染过滤器,可能对研究人员构成挑战,特别是在工业规模工作时。常有多项参数优化测试所有条件不切实际显示Gadi Rothenberg市混合催化专家来自荷兰阿姆斯特丹大学,计算机学习组合可开始预测多维系统参数,这为优化提供大工具,并加罗登贝格说明你能得到什么 时, “来自不同学科的人开始研究同样的问题。”