提出了一种机器学习方法,用于预测过渡金属和合金表面复杂分子的吸附构型和能量。该方法将有助于研究复杂催化剂材料上的复杂反应网络,从而了解和提高催化剂的性能。
这是订阅内容的预览,通过你的机构获取
访问选项
订阅Nature+
立即在线访问《自然》和其他55种《自然》杂志
29.99美元
每月
订阅期刊
获得1年的完整期刊访问权限
99.00美元
每期仅需8.25美元
所有价格均为净价格。
增值税将在稍后的结帐中添加。
税金计算将在结账时完成。
买条
在ReadCube上获得时间限制或全文访问权限。
32.00美元
所有价格均为净价格。
![](https://media.springernature.com/m312/springer-static/image/art%3A10.1038%2Fs43588-022-00287-0/MediaObjects/43588_2022_287_Fig1_HTML.png)
参考文献
Nørskov, J. K., Abild-Pedersen, F., Studt, F. & Bligaard, T.表面化学和催化中的密度泛函理论。美国国家科学院学报。美国108, 937-943(2011)。一篇综述文章,介绍了QM计算在催化研究中的作用。
催化中的机器学习。Catal Nat。1, 230-232(2018)。一篇综述文章,介绍机器学习方法在催化研究中的作用。
Togninalli, M., Ghisu, E., Llinares-López, F., Rieck, B. & Borgwardt, K. Wasserstein weisfeler - lehman图核。神经的无穷过程。系统。578, 6439-6449(2019)。本文提出了我们工作中使用的Wasserstein weisfeler - lehman图核.
Chanussot, L.等。Open Catalyst 2020 (OC20)数据集和社区挑战。ACS Catal.11, 6059-6072(2021)。本文介绍了机器学习社区在催化研究中的开放数据集和挑战。
许伟,安德森,M. &路透社,K.预测过渡金属氧化物反应性的数据驱动描述子工程和细化比例关系。ACS Catal11, 734-742(2020)。本文报道了一种预测原子和小分子在金属氧化物上吸附能的机器学习方法。
额外的信息
出版商的注意施普林格自然对出版的地图和机构附属的管辖权要求保持中立。
以下是对以下内容的总结:徐伟等。利用机器学习和物理启发的图形表示预测复杂吸附的结合基序。Nat。第一版。Sci.https://doi.org/10.1038/s43588-022-00280-7(2022)。
权利与权限
关于本文
引用本文
机器学习揭示了复杂分子如何与催化剂表面结合。Nat计算机科学2, 477-478(2022)。https://doi.org/10.1038/s43588-022-00287-0
发表:
发行日期:
DOI:https://doi.org/10.1038/s43588-022-00287-0