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

機器學習模型加快對脫碳技術的催化劑評估,從幾個月到毫秒

機器學習模型加快對脫碳技術的催化劑評估,從幾個月到毫秒
編輯 | 綠蘿
當你開車在路上經過鄉村的農場或草原和池塘時,環顧四周。可以看到玉米、大豆、甘蔗、柳樹、藻類和其他等植物。它們是生物質的豐富來源。這些富含碳的材料可以轉化為液體燃料和化學品,具有許多可能的應用。
目前的一個主要障礙是缺乏將生物質轉化為生物燃料或其他有用產品所需的有效、低成本的催化劑。
通過脫氧反應將生物質轉化為高附加值化學品,碳化鉬 (Mo2C) 被認為是最活躍和經濟上可行的催化劑之一。不幸的是,MO2C 催化劑存在的一個關鍵挑戰是表面氧化的敏感性,這需要過量的氫才能再生催化劑。
近日,來自美國能源部 (DOE) 阿貢國家實驗室的研究人員開發了一個消息傳遞神經網絡 (MPNN) 機器學習模型,以加快設計基于 Mo2C 的低成本催化劑的過程。研究結果強調了 MPNN 作為一種準確且廣泛適用的機器學習方法,來加速基于描述符的催化劑發現。
該研究以「Accelerating the evaluation of crucial descriptors for catalyst screening via message passing neural network」為題,發布在《Digital Discovery》上。
機器學習模型加快對脫碳技術的催化劑評估,從幾個月到毫秒
「生物質是一種有機材料,這意味著它充滿了碳,」阿貢材料科學部 (MSD) 的組長 Rajeev Assary 說。「最終目標是廉價地將碳轉化為對社會有用的產品,避免了對化石燃料的需求?!?/span>
目前,科學家們可以通過高溫處理生物質來生產一種叫做熱解油的類石油產品。但所得產品的含氧量非常高。這種氧是不需要的,因此通過使用碳化鉬催化劑進行的反應將其除去。但一個主要問題是這種催化劑的表面吸收了氧原子,這些氧原子積聚在表面,降低了催化劑的性能。
一種建議的解決方案是向碳化鉬中添加少量新元素,例如鎳或鋅。這種摻雜元素削弱了催化劑表面氧原子的鍵合,防止催化劑中毒。
「問題在于找到摻雜劑和表面結構的正確組合,」MSD 的助理科學家 Hieu Doan 說?!柑蓟f具有非常復雜的結構。因此,我們呼吁超級計算與理論計算相結合,不僅可以模擬表面原子與氧結合的行為,還可以模擬附近原子的行為?!?/span>
通過在阿貢的 Theta 超級計算機上進行的模擬,該團隊創建了一個包含 20,000 個結構的數據庫,用于氧與摻雜碳化鉬的結合能。他們的模擬考慮了幾十種摻雜元素和催化劑表面每種摻雜元素的一百多個可能位置。Theta 是阿貢領導計算設施、美國能源部科學用戶設施辦公室的一部分。
然后,他們使用這個數據庫來訓練深度學習模型。深度學習是機器學習的一種形式,計算機通過首先分析大量樣本數據來學習解決問題。「不再局限于使用傳統計算方法在數月內評估幾千個催化劑結構,通過我們的深度學習模型,我們現在可以在幾毫秒內對數萬個結構進行準確且廉價的計算,」Doan 說?!高@是對類固醇的材料篩選。」
機器學習模型加快對脫碳技術的催化劑評估,從幾個月到毫秒
圖 1:原始和摻雜的 Mo2C 催化劑表面氧吸附的高通量結構枚舉和數據生成。在這些結構中,O、C、Mo 和摻雜原子分別顯示為紅色、灰色、綠色和紫色/黃色球體。(來源:論文)
具體而言,研究人員首先使用周期密度泛函理論在各種原始和摻雜的 Mo2C 表面上進行 20 000 次氧結合能 (BEO) 的高通量 VASP 模擬。計算并開發了一個包含 20 000 個氧吸附結構的結合能數據庫,利用這個數據集,開發了一個消息傳遞神經網絡 (MPNN) 機器學習模型,用于僅使用未優化的局部吸附幾何形狀作為輸入進行極快的 BEO 預測。最佳模型產生的 BEO 相對于 DFT 計算值的平均絕對誤差為 0.176 eV。
機器學習模型加快對脫碳技術的催化劑評估,從幾個月到毫秒
圖示:LCG-MPNN 預測的氧結合能的奇偶校驗圖。(來源:論文)
該團隊將他們的原子級模擬和深度學習模型的結果發送給了生物能源化學催化聯盟(Chemical Catalysis for Bioenergy Consortium)。他們將進行實驗以評估一小組候選催化劑。
「在不久的將來,我們希望能夠處理超過一百萬種結構和不同的結合原子,例如氫,」Assary 指出。「我們還希望將同樣的計算方法應用于其他脫碳技術的催化劑,例如將水轉化為清潔的氫燃料?!?/span>

原創文章,作者:計算搬磚工程師,如若轉載,請注明來源華算科技,注明出處:http://www.zzhhcy.com/index.php/2024/04/03/cc488e11c8/

(0)

相關推薦

主站蜘蛛池模板: 甘南县| 汉川市| 孟津县| 桐城市| 高雄市| 西贡区| 镇巴县| 稷山县| 博罗县| 汝州市| 铜鼓县| 绥宁县| 天等县| 巴中市| 边坝县| 岐山县| 舟曲县| 厦门市| 晋江市| 云阳县| 娄底市| 兖州市| 咸丰县| 衡南县| 巴东县| 根河市| 高淳县| 馆陶县| 武威市| 贵州省| 博爱县| 林西县| 玉树县| 惠水县| 肥城市| 体育| 独山县| 扎赉特旗| 莎车县| 大渡口区| 宁波市|