Autonomous Reaction Network Exploration in Homogeneous and Heterogeneous Catalysis
依赖于自动反应网络阐明算法的自主计算可能为使计算催化与该领域的实验研究相提并论铺平道路。这种方法的几个优点是催化的关键:(i)自动化允许人们以系统和开放的方式考虑数量级更多的结构,而不是手动检查。最终,可以实现结构多样性和构象方面以及潜在重要的基本反应步骤(包括决定周转数的分解反应)的类型和数量方面的完全解析。(ii)具有不确定性量化的快速电子结构方法保证了高效率和可靠性,以便不仅快速提供结果,而且还允许预测工作。(iii)高度的自主性减少了人工工作量、处理错误和人为偏见。虽然本质上是无偏的,它仍然是可控的相对于特定区域的新兴网络和相对于添加新的反应物物种。这允许一些催化过程的形式化的高保真度和令人惊讶的计算机发现。在这项工作中,我们首先回顾了最先进的计算催化嵌入自主探索到一般领域,它从它的成分。然后,我们详细阐述了在自主计算程序的背景下出现的具体概念问题,其中一些我们讨论了一个例子催化系统。
2022-01-27 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
How accurate are foundational machine learning interatomic potentials for heterogeneous catalysis?
Center for Interstellar Catalysis, Department of Physics and Astronomy, Aarhus University(星际催化中心,物理天文系,奥胡斯大学)
系统评估80种基础机器学习原子间势在多相催化任务中的零样本性能,发现其在特定应用(如钙钛矿氧化物空位形成能)中表现优异,但在磁性材料上失败,且结构弛豫增加误差,无单一模型普遍最优。
2025-12-18 cond-mat.mtrl-sci cs.LG physics.chem-ph
Automatic graph representation algorithm for heterogeneous catalysis
本文提出自动图表示算法 AGRA,用于自动提取金属表面吸附位点的局部化学环境,并在5个催化反应数据集上验证其跨体系迁移、低计算成本与外推预测能力。
2023-06-07 cond-mat.mtrl-sci physics.chem-ph
Enabling Heterogeneous Catalysis to Achieve Carbon Neutrality: Directional Catalytic Conversion of CO$_2$ into Carboxylic Acids
人为二氧化碳(CO $_2$)排放的增加加剧了全球环境的恶化,应加以控制以实现碳中和。实现碳中和的核心目标的核心是在经济和可持续的条件下利用CO $_2$。近年来,对碳中和的强烈需求导致了关于将CO $_2$直接转化为羧酸的研究激增,这可以有效地减少CO $_2$排放并产生高价值的化学品。本文综述了羧酸的应用前景以及光、电、热催化CO $_2$转化为羧酸的基本原理。特别关注的是在分子水平上的丰富的催化剂的活性的调控策略,启发制备高性能的催化剂。此外,还介绍了理论计算、先进技术和大量典型实例,阐述了相应的工艺过程和催化活性的影响因素。最后,对该领域的未来发展提出了挑战和展望。希望本文的综述有助于对CO $_2$转化为羧酸的深入理解,并激发更多的创新突破
2022-06-10 physics.chem-ph
An Atomistic Machine Learning Package for Surface Science and Catalysis
Stanford University(斯坦福大学);SUNCAT Center for Interface Science and Catalysis(SUNCAT界面科学与催化中心)
我们目前的工作流程和软件模块的机器学习模型建立在表面科学和多相催化。这包括从3D结构和/或连接性信息指纹识别原子结构,它包括描述符选择方法和基准,并且它包括用于原子结构优化的主动学习框架,加速筛选研究和用于探索纳米颗粒的结构空间,这些都是与表面科学和多相催化相关的原子结构问题。我们的总体目标是提供一个存储库,以简化催化的机器学习模型构建,使模型超越用户的化学直觉,并提高探索化学空间的自主性。
2019-04-01 cs.LG physics.chem-ph physics.comp-ph
A microscopic perspective on heterogeneous catalysis
一个一般的形式主义,提出了描述的营业额频率(TOF)在非均相催化超过平均场处理。对于每个基元反应,我们将其多重性定义为在催化剂表面的当前构型下可以进行反应的次数除以活性位点的数量。结果表明,多重数随温度的任何变化都可以直接理解为构型熵的变化。在此基础上,我们确定观察到任何特定的基元反应的概率,导致识别任何速率控制步骤(RCS)以及速率决定步骤(RDS)的程序,如果它存在的话。此外,它表明,这样的概率提供了一个全面的描述的整体催化活性,使每个基本反应的相对重要性的深刻理解。最重要的是,我们制定了一个简单的表达式来准确地描述TOF的表观活化能,即使在吸附物-吸附物相互作用时也有效,并将其与以前的近似表达式进行比较,包括典型反应机制的传统Temkin公式(Langmuir-Hinshelwood,Eley-Rideal等)。为了说明我们的形式主义超出平均场域的有效性,我们提出了动力学蒙特卡罗模拟两个广泛研究和工业相关的催化反应,即CO的氧化RuO $_2$(110)和NH $_{3}$的选择性氧化在同一催化剂上。
2018-12-29 cond-mat.mes-hall physics.chem-ph
On the role of interfacial hydrogen bonds in "on-water" catalysis
许多实验已经证明,当在非均相水乳液中进行时,许多种类的有机反应表现出增加的反应速率。尽管所观察到的“对水”催化效应和一些机理研究具有巨大的实际意义,但其微观起源仍不清楚。本文将第二代Car-Parrinello分子动力学方法推广到基于自洽电荷密度泛函的紧束缚方法,研究了偶氮二甲酸二甲酯与四环烷的Diels-Alder反应的“水上”催化作用.我们发现,悬挂的氢键暴露在水界面的过渡态的稳定起着显着较小的作用,在“对水”催化比以前已经建议。
2014-08-21 cond-mat.soft physics.bio-ph physics.chem-ph
Quantum-accurate atomistic modeling of enzyme catalysis using a machine learned potential
FAIR at Meta(Meta FAIR);Pritzker School of Molecular Engineering, University of Chicago(芝加哥大学普里茨克分子工程学院)
本研究利用机器学习势eSEN-omol对完整酶进行量子精度模拟,再现实验能垒、解析关键中间态并区分机制,实现千倍加速,为酶催化研究提供实用途径。
2026-09-10 physics.chem-ph
Machine learning models predict calculation outcomes with the transferability necessary for computational catalysis
Massachusetts Institute of Technology(麻省理工学院)
虚拟高通量筛选(VHTS)和机器学习(ML)大大加快了单位点过渡金属催化剂的设计。然而,催化剂的VHTS通常伴随着高计算失败率和浪费的计算资源,这是由于难以同时将所有机械相关的反应中间体收敛到预期的几何形状和电子状态。我们展示了一种动态分类器方法,即,卷积神经网络,实时监控几何优化,并利用其良好的性能和可转移性进行催化剂设计。我们表明,动态分类器表现良好的所有活性中间体在甲烷到甲醇的自由基反弹机制的代表性催化循环,尽管只训练一个活性中间体。动态分类器还推广到训练数据中不存在的化学上不同的中间体和金属中心,而不损失准确性或模型置信度。我们合理化这一优越的模型可转移性,使用动态电子结构和几何信息产生的密度泛函理论计算和卷积层的动态分类。与模型不确定性量化相结合,动态分类器节省了一半以上的计算资源,这些资源将被浪费在所考虑的所有活性中间体的不成功计算上。
2022-03-02 cond-mat.mtrl-sci cs.LG physics.chem-ph
A practical approach to the sensitivity analysis for kinetic Monte Carlo simulation of heterogeneous catalysis
晶格动力学蒙特卡罗模拟已成为一个重要的工具,预测质量原子的理解复杂的表面化学反应动力学在广泛的反应条件。为了扩大它们的实际价值,在原子水平的催化体系的设计提供指导方针,这是非常可取的,容易评估一个给定的模型的灵敏度分析。这种敏感性分析的结果定量地表达了作为主要输出变量的周转频率对进入模型的速率常数的依赖性。在过去的敏感性分析的应用,如度的速率控制,一直受到阻碍,其旺盛的计算工作所需的准确采样的数值衍生物的属性,是从随机模拟方法。在这项研究中,我们提出了一个有效的和强大的三阶段的方法,能够可靠地评估刚性微观动力学模型的灵敏度措施,我们证明使用CO氧化RuO2(110)作为原型反应。在第一步中,我们利用Fisher信息矩阵过滤出的基本过程,只产生可忽略不计的敏感性。然后,我们采用了基于线性响应理论的估计量,用于计算非临界条件下的敏感性测度,该方法涵盖了大多数情况。最后,我们采用耦合有限差分采样的方法来评估基于格点的模型的灵敏度度量。这使得即使在迄今难以控制的二阶相变附近的临界区域中也能够进行有效的评估。相结合的方法导致显着的计算节省直接的数值导数,并应有助于加速非均相催化剂的纳米尺度的设计。
2016-11-22 physics.chem-ph physics.comp-ph stat.CO
Explainable Data-driven Modeling of Adsorption Energy in Heterogeneous Catalysis
Carnegie Mellon University(卡内基梅隆大学)
本文结合浅层机器学习与事后 XAI、符号回归,在 OC20 上预测并解释多相催化吸附能,识别关键特征并发现催化剂电负性平方与吸附能成正比。
2024-12-03 cs.LG physics.chem-ph
High Throughput Software for Powder Diffraction and its Application to Heterogeneous Catalysis
在这篇论文中,我们研究了处理从同步加速器收集的大量数据的高通量计算方法及其在粉末衍射数据光谱分析中的应用。我们还介绍了这个博士课程的主要产品,特别是作者开发的一个名为“EasyDD”的软件。该软件的创建是为了满足现代探测器对数据处理和分析能力日益增长的需求,这些探测器产生大量数据。现代探测器与同步加速器上可用的高强度X射线源相结合,导致了可以在更短的时间尺度上收集更大数量的数据集的情况。如此大量的数据集构成了数据处理的瓶颈,这将随着当前和未来的仪器开发而增加。EasyDD实现了其目标,并为科学研究做出了重大贡献。也可以作为今后更成熟尝试的范本。EasyDD目前被许多学术和研究机构的研究人员用于处理高能衍射数据。这些包括通过不同技术收集的数据,如能量色散衍射,角度色散衍射和计算机辅助断层扫描。EasyDD已用于许多已发表的研究,目前正在高能X射线成像技术项目中使用。作者还使用该软件处理和分析了从同步辐射设施收集的数据集。在这方面,本论文提出了新的科学研究,涉及使用EasyDD处理大型衍射数据集的氧化铝负载的金属氧化物催化剂机构的研究。这些数据收集使用断层能量色散衍射成像和计算机辅助断层扫描技术。
2010-12-20 hep-ex physics.chem-ph physics.comp-ph
Stereological 3D modeling of nano-scale catalyst particles using TEM projections
针对传统TEM仅能获取纳米催化剂二维信息的局限,提出一种基于双尺度TEM数据校准的随机三维建模方法,可实现统计代表性的催化剂颗粒三维重构并生成数字孪生体,助力纳米结构与性能关系研究。
2025-03-21 cond-mat.mtrl-sci math.PR physics.chem-ph
A Multiple Filter Based Neural Network Approach to the Extrapolation of Adsorption Energies on Metal Surfaces for Catalysis Applications
University of South Carolina(南卡罗来纳大学);University of North Carolina Charlotte(北卡罗来纳大学夏洛特分校)
计算催化剂的发现涉及基于从密度泛函理论(DFT)确定的估计参数的微动力学反应器模型的开发。对于复杂的表面化学,通过DFT计算大量反应中间体的吸附能的成本可能变得过高。在这里,我们已经确定了适当的描述符和机器学习模型,可以用来预测这些吸附能的一部分,给出其余部分的数据。我们的调查还包括用于训练预测模型的物种数据相对于模型试图预测的物种具有不同大小的情况-数据空间中的外推,这通常是常规机器学习模型难以实现的。我们开发了一种基于神经网络的预测模型,该模型将已建立的模型与卷积神经网络的概念相结合,在外推时,该模型比以前的模型有了显着的改进。
2019-10-01 cs.LG physics.chem-ph
Predicting the Stereoselectivity of Chemical Transformations by Machine Learning
Del Norte High School(德尔诺特高中);Brandeis University(布兰戴斯大学);Lexington High School(列克星敦高中)
立体选择性反应(化学反应和酶反应)对于生命起源、进化、人类生物学和医学至关重要。自20世纪60年代末以来,在令人兴奋的不对称催化新领域取得了许多成功。然而,现在大多数工业和学术界的不对称催化都遵循试错模型,因为不对称催化成功或失败的能量差异非常小。我们目前对立体选择性反应的理解主要是定性的,立体选择性是由多个竞争机制途径中的空间效应和电子效应的差异引起的。定量地理解和调节给定化学反应的立体选择性仍然是极其困难的。作为原理的证明,本文提出了一种新的机器学习技术,该技术通过两个高斯混合模型将LASSO模型和两个随机森林模型结合起来,用于定量预测化学反应的立体选择性。与最近的突破性方法[1]相比,我们的方法能够捕获特征之间的相互作用,并利用复杂的数据分布,这对于预测立体选择性非常重要。在最近发表的数据集上的实验结果表明,我们的方法显着优于[1]。从我们的研究结果获得的见解提供了一个坚实的基础,为进一步探索其他合成有价值的,但机械有趣的立体选择性反应。
2021-10-12 cs.LG physics.chem-ph
Nanoscale heterogeneity at the aqueous electrolyte-electrode interface
使用分子动力学模拟,我们揭示了紧急性质的水合电极界面,而分子的起源是不可分割的系统的行为跨越长时间尺度和大的长度尺度。具体来说,我们描述了一个无序的和缓慢发展的吸附层的水的分子结构和动力学的电解质溶液相邻的它的影响。一般来说,我们发现,水和溶解的离子的密度和迁移率是空间上的异质性在平行于电极的平面超过纳秒的时间尺度。这些和其他最近的结果进行了分析,从表面科学和电化学的实验文献的背景下。我们推测这一新兴的微观图片的影响,对水合电极的催化能力,在纳米多相催化的研究提供了一个新的方向。
2014-10-06 cond-mat.mtrl-sci cond-mat.soft physics.chem-ph
A Transferable Machine-learning Scheme from Pure Metals to Alloys in Predicting Adsorption Energies
合金由于其组成、结构和元素分布的可调性,在催化领域具有巨大的应用潜力,但同时也限制了潜在合金催化剂的快速筛选。机器学习方法能够解决多变量问题,但由于缺乏通用描述符,仍然无法从纯金属的性质预测复杂合金催化剂。在此,我们提出了一个可转移的机器学习模型的基础上的基板和吸附物的固有属性,它可以预测单原子合金(SAA),AB金属间化合物(ABs)和高熵合金(HEAs)的吸附能,简单地通过训练过渡金属(TM)的属性。此外,该模型还从机器学习的角度建立了合金表面吸附能的构效关系,揭示了表面原子的价态、电负性和配位性以及吸附物的价态对吸附能的影响。这种可转移的方案促进了对合金吸附机理的理解和合金催化剂的快速设计。
2021-07-06 cond-mat.mtrl-sci physics.chem-ph
PiNNwall: Heterogeneous Electrode Models from Integrating Machine Learning and Atomistic Simulation
本文整合原子机器学习代码 PiNN 与经典分子动力学代码 MetalWalls,构建 PiNNwall 接口,以引入化学特异性并模拟掺杂石墨烯、氧化石墨烯及极化氧化物等异质电极。
2023-10-01 cond-mat.mtrl-sci physics.chem-ph
Systematic Fine-Tuning of MACE Interatomic Potentials for Catalysis
University of South Carolina(南卡罗来纳大学);National Laboratory of the Rockies(落基山国家实验室);Rensselaer Polytechnic Institute(伦斯勒理工学院);University of Cambridge(剑桥大学);Max Planck Institute for Polymer Research(马克斯·普朗克聚合物研究所);University of Toronto(多伦多大学)
本文比较了九种不同数据集和策略训练的MLIPs,发现微调模型在处理非分布反应时更稳健,且在催化反应建模中表现出更高的准确性。
2026-05-10 cond-mat.mtrl-sci physics.chem-ph
Prospects for Using Artificial Intelligence to Understand Intrinsic Kinetics of Heterogeneous Catalytic Reactions
organization= School of Chemical \& Biomolecular Engineering, Georgia Institute of Technology , addressline= 311 Ferst Drive NW , city= Atlanta , postcode= 30332 , state= GA , country= USA;organization= Department of Chemical Engineering, Carnegie Mellon University , addressline= 5000 Forbes Street , city= Pittsburgh , postcode= 15213 , state= PA , country= USA
本文探讨AI结合多尺度模型与多模态实验,以解决多相催化中本征动力学与观测的“多对一”挑战,并展望生成式与智能体式AI实现自驱动模型的前景。
2025-10-21 cs.AI physics.chem-ph
Highly Heterogeneous Polarization and Solvation of Gold Nanoparticles in Aqueous Electrolytes
金纳米粒子(NPs)在应用中的性能关键取决于NPs-溶剂界面的结构,在该界面处,静电表面极化是影响水合、离子吸附和电化学反应的关键特征之一。在这里,我们展示了显式金属极化率对裸金纳米粒子在各种阴离子钠盐的电解质水溶液中的溶剂化和静电性质的显着影响(Cl $^-$、BF $_4$ $^-$、PF $_6$ $^-$、Nip $^-$(硝基酚盐)和3-和4-价六氰基铁酸盐(HCF)),使用经典的分子动力学模拟与金原子的可极化核壳模型。我们发现相当大的空间异质性的极化和静电电位的NP表面上,介导的界面水分子的高度小面依赖的结构。此外,离子特定的,面依赖的离子吸附导致大的改变的界面极化。与不可极化的NP相比,极化性仅轻微地改变水的局部偶极子密度,但对静电表面电势具有实质性影响,并导致NP表面上的离子的显著横向再分布。此外,对单个一价离子的界面极化效应在远场被抵消,有效的德拜-休克尔表面势基本上不受影响,正如连续统“像电荷”概念所预期的那样。因此,金属NP的明确电荷响应对于界面静电的准确描述和解释是至关重要的(例如,用于催化和电化学中的电荷转移和界面极化)。
2021-04-13 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Machine-learning based prediction of small molecule -- surface interaction potentials
预测小分子对目标表面的吸附亲和力对于从催化到药物输送和人类安全的一系列领域都很重要,但在考虑周围介质的影响时,通过计算执行是一项复杂的任务。我们提出了一个灵活的机器学习方法来预测潜在的平均力(PMFs)和吸附能的化学表面对从单独的相互作用势的每个合作伙伴与一组探针原子。我们使用一个预先存在的图书馆的PMF获得通过原子分子动力学的各种无机材料和分子的训练模型。我们在训练组和验证组中发现原始PMF和预测PMF之间存在良好的一致性,证实了这种方法的预测能力,并通过为训练集之外的分子和表面产生PMF来证明模型的灵活性。
2022-11-15 cond-mat.mtrl-sci physics.bio-ph physics.chem-ph
Predicting binding motifs of complex adsorbates using machine learning with a physics-inspired graph representation
多相催化中的计算筛选越来越依赖于机器学习模型来预测关键输入参数,因为直接使用第一原理方法计算这些参数的成本很高。当考虑复杂的材料空间,例如合金,或与可能表现出双齿或更高齿吸附基序的吸附物的复杂反应机制时,这变得特别相关。在这里,我们提出了一个数据有效的方法来预测的结合图案和相关的吸附在过渡金属(TM)及其合金的基础上定制的Wasserstein Weisfeiler-Lehman图形内核和高斯过程回归的复杂吸附物的吸附模式。该模型显示出良好的预测性能,不仅对元素TM,它是训练,而且对基于这些TM的合金。此外,最小新训练数据的并入允许预测域外TM。我们相信该模型可能是有用的主动学习方法,我们提出了一个合奏不确定性估计方法。
2022-07-26 physics.chem-ph
Node-Equivariant Message Passing for Efficient and Accurate Machine Learning Interatomic Potentials
针对等变消息传递原子间势在边空间张量积上计算和内存开销过大的问题,提出NEMP框架,通过中心节点与虚拟求和节点交互,在多类体系中保持精度并将成本降低1至2个数量级。
2025-08-28 physics.chem-ph
Hydrogen Atom Scattering at the Al$_2$O$_3$(0001) Surface: A Combined Experimental and Theoretical Study
该研究结合氢原子束散射实验与基于高维机器学习势的分子动力学模拟,探究了几乎未被研究的氢原子在α-Al₂O₃(0001)表面的散射过程,揭示了相关势能面性质与表面碰撞位点信息。
2023-12-15 physics.chem-ph physics.comp-ph