.png){kind=icon}
返回
General reactive element-based machine learning potentials for heterogeneous catalysis
.png){kind=icon}
PRE
AI
DOI：10.1038/s41929-025-01398-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
开发真正通用的机器学习势能用于异质催化仍然具有挑战性。在此，我们介绍了基于元素的机器学习势能（EMLP），该势能是通过独特的虚化学优化（REICO）采样策略进行训练的。REICO通过采样多样化的局部原子环境来构建原子相互作用的代表性数据集，使EMLP具有固有的普适性和反应性，能够在不输入明确结构或反应路径的情况下准确预测基元反应。我们通过构建针对与C/H/O类物种相互作用的Pd–Ag催化剂的Ag-Pd-C-H-O EMLP，展示了我们方法的有效性和反应性，其与密度泛函理论（DFT）的定量一致性甚至适用于表面重构、覆盖效应和溶剂环境等复杂场景，而现有基础模型通常在这些情况下失效。我们的方法为异质催化中大型复杂系统的密度泛函理论计算替代铺平了道路，并提供了一个可轻松扩展至其他催化系统和更广泛领域（如材料科学）的通用框架。
为异质催化设计通用、反应性强且高精度的机器学习势能具有挑战性。现在，一种基于元素的机器学习势能被提出，该势能依赖于虚化学优化采样策略的随机探索，并已成功应用于一系列应用场景。
Keyword:
Computational chemistry
Heterogeneous catalysis
Catalysis
期刊
IF:
44.6
论文数:
360
被引数:
3.2W
机构
暂无机构信息
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamicsDeepmd-kit: 用于多体势能表示和分子动力学的深度学习软件包OAAI
OAAI分享收藏分享收藏Physically Motivated Recursively Embedded Atom Neural Networks: Incorporating Local Completeness and Nonlocality物理激励的递归嵌入式原子神经网络: 结合局部完整性和非局部性
OAAI
OAAI分享收藏A consistent and accurate ab initio parametrization of density functional dispersion correction (DFT-D) for the 94 elements H-Pu94元素h-pu的密度泛函色散校正 (dft-d) 的一致且精确的从头算参数化
PREAI
分享收藏Atom-centered symmetry functions for constructing high-dimensional neural network potentials以原子为中心的对称函数构造高维神经网络势
PREAI
分享收藏
查看更多内容