2023年純計算Nature Communications

通過機器學習探索真實尺度金屬納米粒子的電化學穩定性

2023年韓國科學技術院Donghun Kim, Sang Soo Han ， Hyuck Mo Lee教授發表名為《Machine learning-enabled exploration of the electrochemical stability of real-scale metallic nanoparticles》的文章，開發了一個鍵型嵌入式晶體圖卷積神經網絡（BE-CGCNN）模型，其中四種鍵型被分類。由于鍵型嵌入方法的準確性得到了提高，作者展示了為涉及多達 6525 個原子（直徑約為 4.8 納米）的超大尺寸NP構建可靠的Pourbaix圖，從而能夠探索各種納米顆粒NP尺寸和形狀的電化學穩定性。隨著NP尺寸的增大，基于BE-CGCNN的Pourbaix圖很好地再現了實驗觀察結果。

文章亮點

文章名稱：Machine learning-enabled exploration of the electrochemical stability of real-scale metallic nanoparticles
文章期卷號：Nature Communications | (2023) 14:3004
官方網址：https://www.nature.com/articles/s41467-023-38758-1#Sec1

如下圖b所示，對于鍵，作者將其分為四種類型：吸附劑內的共價鍵（如 O-H）、NP內的金屬鍵（如 Pt-Pt）、化學吸附的化學鍵（如 Pt-O）以及最后一種不同吸附劑之間的非鍵相互作用（如 H…O）。同時計算了吸附能的均方誤差隨特征數量的增加而變化的情況，如圖c所示。

由于對于大顆粒來說，總體吸附物的吸附能過大，影響神經網絡的訓練效果，所以作者提出了使用吸附能差進行訓練，公式如下所示。

得到的訓練結構誤差都在可控誤差范圍之內。

同時證明了四種鍵型嵌入式晶體圖卷積神經網絡（BE-CGCNN）模型的誤差對比，發現非鍵相互作用是一個關鍵項，應將其視為重要項，尤其是在存在范德華相互作用的高表面覆蓋率情況下。考慮非鍵相互作用后誤差值明顯降低。

然后對比了完全由BE-CGCNN模型構建的Pt55NP(Ih)表面Pourbaix圖與通過DFT計算獲得的基本真實圖。觀察發現，DFT和ML的結果非常相似，邊界線的y-截距平均相差不到0.1eV。

最后計算了，原子數量為561、3871和6535的超大Nps，與現有的實驗報告進行比較也發現符合良好。

作者的這一工作提出了BE-CGCNN可以作為一種強有力的工具，用于研究電化學環境中實際尺寸和任意形狀NPs的穩定性，而這在傳統的DFT方案中是不可能實現的（計算時間過長）。