催化剂 - AI在线

打破GNN与语言模型间壁垒，图辅助多模态预训练框架用于催化剂筛选，登Nature子刊

编辑 | KX吸附能是一种反应性描述符，必须准确预测，才能有效地将机器学习应用于催化剂筛选。该过程涉及在催化表面上的不同吸附构型中找到最低能量。尽管图神经网络在计算催化剂系统的能量方面表现出色，但它们严重依赖原子空间坐标。

6.85亿次AI加速模拟，分析2万种材料，Meta发布催化剂数据集OCx24

编辑 | X_X近日，Meta FAIR 与多伦多大学和 VSParticle（荷兰纳米技术工程公司）合作，发布了开放催化剂实验 2024（OCx24）数据集，该数据集包含 572 个使用湿法和干法合成的样品，并经过 X 射线荧光和 X 射线衍射表征。为新催化剂的开发提供了宝贵的见解。该研究是 Meta FAIR 开放催化剂项目的延续，旨在利用人工智能来建模和发现新的催化剂，应对气候变化带来的能源挑战。

成本减少90%以上，「主动学习+实验工作流程」加速催化剂开发

编辑 | 绿罗通过合成气的热催化加氢合成高级醇 (HAS) 仍然是一项有前途的技术。链增长和 CO 插入要求需要多组分材料，其复杂的反应动力学和广泛的化学空间不符合催化剂设计规范。在此，来自苏黎世联邦理工学院（ETH Zurich）的研究人员提出了一种替代策略，将主动学习整合到实验工作流程中，以 FeCoCuZr 催化剂系列为例。所提数据辅助框架简化了 86 个实验中广泛成分和反应条件空间的导航，与传统程序相比，环境足迹和成本减少了 90% 以上。它确定了具有优化反应条件的 Fe65Co19Cu5Zr11 催化剂，

从材料设计合成，到催化剂创新、碳中和，清华王笑楠团队探索「AI+材料」前沿与落地

作者 | 清华大学王笑楠编辑 | 凯霞在当今科技飞速发展的时代，新材料的研究与开发已成为推动科学进步和工业革命的关键力量。从能源存储到信息技术，再到生物医药，创新材料的设计、合成及其功能表征是实现这些领域突破的基石。随着人工智能（AI）技术的不断进步，其在新材料研究中的集成应用已逐步开启一个全新的研究范式，成为超越传统研发模式的新质生产力，特别是在材料的设计、合成和表征过程中，AI 的助力大大提高了研究效率和精度。「17 岁上清华，27 岁做博导，30 岁回归清华，90 后科研女神，入选 2023 全球学者终身学术

科学家使用外推ML方法加速发现新型催化剂

编辑 | 萝卜皮设计新型催化剂是解决许多能源和环境挑战的关键。尽管包括机器学习 (ML) 在内的数据科学方法有望加速催化剂的开发，通过机器学习方法很少发现真正新颖的催化剂，因为它最大的局限性是假设无法推断和识别特殊材料。北海道大学（Hokkaido University）的研究人员展示了一种外推机器学习方法来开发新型多元素反向水煤气变换催化剂。使用 45 个催化剂作为初始数据点，并执行闭环发现系统的44个循环（ML预测实验），研究人员对总共 300 种催化剂进行了实验测试，并鉴定出 100 多种催化剂，这些催化剂