女儿太漂亮爸爸做亲子鉴定,亚洲国产精品无码成人片久久,日本MINDUP狗与普通版对比

CEJ：采用迭代機(jī)器學(xué)習(xí)方法篩選高性能H2O2生產(chǎn)催化劑

研究背景

過(guò)氧化氫（H₂O₂）作為一種重要的原料，已被廣泛應(yīng)用于紡織、食品、廢水處理和造紙等領(lǐng)域。盡管H₂O₂代表一種綠色氧化劑，但傳統(tǒng)的生產(chǎn)工藝根本不是綠色的。目前，H₂O₂的工業(yè)生產(chǎn)在很大程度上依賴(lài)于蒽醌氧化工藝，這是一種能源密集型和環(huán)境污染型的工藝，會(huì)導(dǎo)致環(huán)境問(wèn)題。電化學(xué)H₂O₂生產(chǎn)是未經(jīng)驗(yàn)證取代蒽醌循環(huán)工藝的一種非常理想的方法。在催化劑的幫助下，一種先進(jìn)的雙電子氧還原反應(yīng)（ORR）的電化學(xué)方法可以由清潔的反應(yīng)物（O₂，H⁺）進(jìn)行，其主要產(chǎn)物是H₂O₂。然而，設(shè)計(jì)和開(kāi)發(fā)綠色、低成本和高效的電催化劑仍然是一個(gè)挑戰(zhàn)。

因此，廣西大學(xué)危增曦和趙雙良等人提出了一種迭代機(jī)器學(xué)習(xí)（iML）方法，該方法大大減少了所需的訓(xùn)練集大小，如圖1。通過(guò)引入空間坐標(biāo)信息的特征，可以從數(shù)百種單原子催化劑中快速篩選出最佳催化活性。發(fā)現(xiàn)RhO₂N₂（A）是H₂O₂生產(chǎn)的理想催化劑，具有0.013V的超低過(guò)電位。這項(xiàng)工作為加快數(shù)據(jù)驅(qū)動(dòng)的高性能催化劑的設(shè)計(jì)和發(fā)現(xiàn)開(kāi)辟了道路。

圖1. iML方法方案

計(jì)算與機(jī)器學(xué)習(xí)方法

DFT計(jì)算方法：所有計(jì)算均采用自旋極化密度泛函理論（DFT）方法進(jìn)行，并采用維也納從頭算模擬軟件包（VASP）在廣義梯度近似（GGA）-Perdew-Burke-Ernzerhof（PBE）水平上進(jìn)行催化劑電子結(jié)構(gòu)計(jì)算，施加投影增強(qiáng)波PAW泛函計(jì)算電子-離子的相互作用。平面波截止被設(shè)置為500eV。電子會(huì)聚能量被設(shè)置為10^-6eV，并且所有原子位置都被允許弛豫，直到力小于0.02eV/?。布里淵區(qū)由Monkhorst 2×2×1 k點(diǎn)網(wǎng)格組成。為了避免兩個(gè)相鄰的周期性幾何圖像之間的相互作用，真空度設(shè)置為15?來(lái)消除對(duì)稱(chēng)性的影響，同時(shí)采用DFT-D3方案來(lái)校正范德華相互作用。

機(jī)器學(xué)習(xí)方法：本文將線性模型和非線性模型都被考慮在內(nèi)。為了預(yù)測(cè)回歸數(shù)據(jù)，通過(guò)線性/非線性模型考慮了50%的交叉驗(yàn)證。采用網(wǎng)格搜索對(duì)模型進(jìn)行超參數(shù)篩選。所有算法都使用Python軟件包Scikit-Learn進(jìn)行了評(píng)估和優(yōu)化。

結(jié)果與討論

本文選擇了17種不同的物理和化學(xué)性質(zhì)（1）d和p軌道的電子數(shù)（E_dp）；（2）氧化物生成焓（H_fox），（3）電負(fù)性（N_m）；（4）電子親和能（A_m）；（5）第一電離能（I_m）；（6）原子序數(shù)（A_n）；（7）原子半徑（R）；（8）價(jià)電子數(shù)（V_e）；（9）篩選百分比（S_cpe）；（10）共價(jià)半徑（C_cr）；（11）配位環(huán)境原子半徑之和（SR）；（12）配位環(huán)境的原子質(zhì)量總和（SR_am）；（13）配位環(huán)境的原子序數(shù)之和（SA_n）；（14）配位環(huán)境的電子親和能之和（SA_m）；（15）配位環(huán)境的電負(fù)性之和（SN_m）；（16）配位環(huán)境的價(jià)電子之和（SV_e）；（17）配位環(huán)境的質(zhì)子親和能之和（SE_pa），這些描述符特征都是從數(shù)據(jù)庫(kù)、元素周期表和公開(kāi)文獻(xiàn)信息中得到的。

特征選擇的包裝法以基本模型訓(xùn)練為機(jī)器學(xué)習(xí)模型，以性能評(píng)價(jià)指標(biāo)為特征選擇的重要依據(jù)。因此，隨機(jī)森林（非線性模型）和支持向量機(jī)（線性模型）被采用。如圖6a所示，當(dāng)維度達(dá)到17，隨機(jī)森林模型穩(wěn)定。SVM模型在維度超過(guò)5時(shí)保持其性能，但隨后在維度超過(guò)20時(shí)迅速下降。為了進(jìn)一步確定特征的重要性，使用了嵌入方法LASSO，將特征選擇過(guò)程與模型訓(xùn)練過(guò)程相結(jié)合。如圖2b所示，結(jié)果表明在這些候選者中，六個(gè)電子結(jié)構(gòu)特征占主導(dǎo)地位，包括N_m、R、H_fox、I_m、E_dp、A_m。此外，N_m和R是H₂O₂產(chǎn)生的兩個(gè)重要特征。特征相關(guān)性通過(guò)Pearson系數(shù)進(jìn)行研究，該方法通過(guò)評(píng)估每個(gè)特征與結(jié)果之間的相關(guān)性來(lái)實(shí)現(xiàn)。如圖6c，各種特征與△G_*OOH之間的相關(guān)系數(shù)，在特征選擇方法中，TM的電負(fù)性和原子半徑都是雙電子ORR催化活性的主要催化活性描述符。

圖2.（a）通過(guò)隨機(jī)森林算法和線性回歸算法測(cè)試了特征數(shù)量方面的性能；（b） 14個(gè)特征的特征重要性；（c）過(guò)渡金屬的10個(gè)輸入特征和配位原子的7個(gè)輸入特征之間的Pearson相關(guān)圖，E表示△G_*OOH

20個(gè)不同的過(guò)渡金屬原子和六種構(gòu)型（TMN₄、TM-N₃O、TM-N₂O₂（A）、TM-N₂O₃（B）、TM-NO₃和TM-O₄）構(gòu)建了120種可能的組合。通常，配位原子的電負(fù)性相加作為活性預(yù)測(cè)的描述符。然而，配位原子的幾何差異被忽略。為了揭示幾何差異，本文首先提出了SACs的空間（三維坐標(biāo)）特征。如圖3所示，中心金屬的坐標(biāo)和配位原子被考慮在內(nèi)，并采用映射函數(shù)方式進(jìn)行了降維。

圖3. 將單原子催化劑的空間坐標(biāo)信息簡(jiǎn)化為數(shù)字特征，以區(qū)分結(jié)構(gòu)的多樣性。具有空間信息的特征由空間信息權(quán)重和配位原子的固有特征定義以及過(guò)渡金屬的P_TM的空間信息權(quán)重

在特征工程之后，本文進(jìn)一步選擇合適的模型進(jìn)行數(shù)據(jù)集訓(xùn)練。在iML過(guò)程中，每批B_i都可以通過(guò)交叉驗(yàn)證方法進(jìn)行有效訓(xùn)練。本文將數(shù)據(jù)集的一部分用于測(cè)試，其他四部分用于訓(xùn)練（圖4a）。如圖4b所示，共測(cè)試了13個(gè)模型。僅在第四次迭代中的四次測(cè)試結(jié)果表明，BayesianRidge、RandomForest、MLP和XGBoost，有較低的MAE和MSE，表現(xiàn)出良好的性能。MLP和XGBoost模型都可以用于訓(xùn)練我們的數(shù)據(jù)集，因?yàn)樗鼈兙哂懈咝У目蓴U(kuò)展性和強(qiáng)大的魯棒性。然而，在沒(méi)有空間坐標(biāo)信息的情況下，XGBoost和MLP模型對(duì)H₂O₂產(chǎn)生的預(yù)測(cè)性能較差。通過(guò)空間坐標(biāo)信息，XGBoost（s）模型表明，數(shù)據(jù)集訓(xùn)練的MAE和MSE得分分別為0.494eV和0.434eV。此外，MLP（s）模型在預(yù)測(cè)H₂O₂活性方面表現(xiàn)出優(yōu)異的性能。

為了在MLP模型中提高模型的泛化性能，考慮Dropout調(diào)優(yōu)。激活函數(shù)和優(yōu)化器分別設(shè)置為tanh和SGD。最后，在輸出中可以獲得70個(gè)神經(jīng)元。

圖4.（a）五折的交叉驗(yàn)證模型；（b）對(duì)13個(gè)機(jī)器學(xué)習(xí)模型的平均絕對(duì)誤差和均方誤差進(jìn)行了交叉驗(yàn)證測(cè)試；（c）第三次迭代機(jī)器學(xué)習(xí)過(guò)程后機(jī)器學(xué)習(xí)模型（即XGBoost、XGBoost（s）、MLP和MLP（s））的R²得分、平均絕對(duì)誤差和均方誤差。XGBoost（s）和MLP（s）表示在XGBoost和MLP中引入空間坐標(biāo)信息的特征，吸附自由能約為4.22eV的輸入數(shù)據(jù)可以通過(guò)第三次迭代機(jī)器學(xué)習(xí)過(guò)程識(shí)別

利用iML過(guò)程，預(yù)測(cè)了的吸附自由能。結(jié)果表明，在第三次迭代過(guò)程中可以找到最佳催化劑，如圖5a。RhN₂O₂A模型表現(xiàn)出4.233eV的最佳*OOH吸附自由能，表明其產(chǎn)生H₂O₂的超低過(guò)電勢(shì)為0.013V。其次是NiN₂O₂B，其*OOH吸附自由能為4.116eV。但NiN₃O構(gòu)型表現(xiàn)出4.380eV的弱*OOH吸收能，其中Ni的中心原子分別由一個(gè)氧原子和三個(gè)氮原子配位。此外，對(duì)于H₂O₂的產(chǎn)生，CoN₃O構(gòu)型表現(xiàn)出4.115eV的*OOH吸附自由能。

圖5.（a） 4.22eV附近的吸附自由能可以通過(guò)第三個(gè)迭代機(jī)器學(xué)習(xí)過(guò)程來(lái)識(shí)別。表現(xiàn)出用于H₂O₂生產(chǎn)的合適*OOH吸附自由能，包括RhN₂O₂A（4.233eV）、NiN₂O₂B（4.116eV）、CoN₃O（4.115eV）和NiN₃O（4.422eV）；（b）*OOH在各種SACs上的中間吸附自由能

此外，*OOH中間體在各種SACs上的吸附自由能是通過(guò)DFT計(jì)算確定的，如圖5b所示。在H₂O₂生產(chǎn)中，虛線代表理想△G_*OOH=4.22eV。

事實(shí)上，在過(guò)去幾十年中，雙電子ORR途徑一直被視為四電子ORR過(guò)程在燃料電池應(yīng)用中的副反應(yīng)。因此，SACs上的雙電子ORR選擇性可以作為篩選用于H₂O₂生產(chǎn)的高效催化劑的標(biāo)準(zhǔn)。如圖6所示，兩個(gè)電子的ORR活性和四個(gè)電子的ORR活性都被繪制為*OOH吸附自由能的函數(shù)。兩電子ORR在SACs上的過(guò)電位小于四電子ORR的過(guò)電位，這表明ORR過(guò)程對(duì)H₂O₂的產(chǎn)生具有優(yōu)勢(shì)。

圖6. 作為*OOH吸附自由能函數(shù)的兩電子和四電子氧還原反應(yīng)的理論火山圖

結(jié)論與展望

本文提出了一種iML方法來(lái)快速篩選用于H₂O₂生產(chǎn)的目標(biāo)催化劑，在機(jī)器學(xué)習(xí)過(guò)程中，可以通過(guò)空間坐標(biāo)特征來(lái)區(qū)分SACs中復(fù)雜的協(xié)調(diào)環(huán)境。在新的迭代機(jī)器學(xué)習(xí)方法中采用了多層神經(jīng)網(wǎng)絡(luò)，并在第三次迭代過(guò)程中識(shí)別了理想催化劑RhN₂O₂A。此外，RhN₂O₂A在0.013V的超低過(guò)電位下表現(xiàn)出最佳的H₂O₂生產(chǎn)活性，本工作將有助于篩選工業(yè)系統(tǒng)中用于H₂O₂生產(chǎn)的新型催化劑。

文獻(xiàn)信息

Deng B, Chen P, Xie P, et al. Iterative machine learning method for screening high-performance catalysts for H₂O₂ production[J]. Chemical Engineering Science, 2023, 267: 118368.

https://doi.org/10.1016/j.ces.2022.118368

原創(chuàng)文章，作者：計(jì)算搬磚工程師，如若轉(zhuǎn)載，請(qǐng)注明來(lái)源華算科技，注明出處：http://www.zzhhcy.com/index.php/2024/02/07/6ec83a4771/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

CEJ：采用迭代機(jī)器學(xué)習(xí)方法篩選高性能H2O2生產(chǎn)催化劑

相關(guān)推薦