Pt
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
各种尺寸、形状都适用，图卷积神经网络探索金属纳米粒子的电化学稳定性
编辑 | 绿萝表面普尔贝图（Pourbaix diagram），也称电位-pH 图，对于了解纳米材料的电化学稳定性至关重要。然而，其基于密度泛函理论的构建对于真实规模的系统（例如几个纳米级纳米粒子）来说过于昂贵。在此，为了加速吸附能的准确预测，来自韩国科学技术院 （KAIST）和韩国科学技术研究院（KIST）的研究团队开发了一种键型嵌入式晶体图卷积神经网络（Bond-type Embedded Crystal Graph Convolutional Neural Network，BE-CGCNN）模型，该模型对四种
- 1