2023年10月27日,Nano Lett.在线发表了澳大利亚纽卡斯尔大学Alister J. Page课题组的研究论文,题目为《Discovery of Graphene Growth Alloy Catalysts Using High-Throughput Machine Learning》。
在过去的几十年里,由于石墨烯优异的电子、力学和热性质以及各种新兴应用,人们对其产生了极大的兴趣。尽管目前使用化学气相沉积(CVD)方法进行了商业规模的石墨烯生产,但生长具有可控形貌和结晶度的高质量单层石墨烯仍然具有挑战性。在设计用于生产高质量石墨烯的改进CVD催化剂方面仍花费了相当大的努力。然而,传统的催化剂设计一直是使用经验直觉或试错方法进行的。 在此研究中,作者将高通量密度泛函理论(DFT)和机器学习(ML)相结合,以确定具有与现有石墨烯催化剂(如Ni(111)和Cu(111))相当性能的新型过渡金属合金催化剂。通过这一过程确定的合金通常由前和后过渡金属的组合组成,并且大多数是Ni或Cu的合金。然而,在许多情况下,这些传统的催化剂金属与非常规的配合物结合,如Zr、Hf和Nb结合在一起。因此,这项研究提出的方法强调了一种重要的新方法,用于识别低维纳米材料CVD生长的新型催化剂材料。
图1 用于发现石墨烯生长的新型合金催化剂的高通量框架
图2 (a-b) 合金晶格与吸附石墨烯晶格是公度的;(c-d) 1499种体相合金晶格的γ值和晶格长度不匹配度
图3 (a) 7726种吸附配合物(5269种合金表面)的ML预测碳吸附能和DFT值的比较;(b) 1326种吸附配合物(206种合金表面)的ML预测苯吸附能和DFT值的比较
图4 (a) ML预测苯吸附能与ML预测碳吸附能;(b) 石墨烯的DFT吸附能与137种合金催化剂表面上吸附距离的比较
图5 石墨烯、苯和碳在YCu5表面和ZrCu5表面上的吸附
【论文链接】 Li, X., Shi, J.Q., Page, A.J. et al. Discovery of Graphene Growth Alloy Catalysts Using High-Throughput Machine Learning. Nano Lett., 2023. 【其他相关文献】 [1] Tran, K., Ulissi, Z.W. Active learning across intermetallics to guide discovery of electrocatalysts for CO2 reduction and H2 evolution. Nat. Catal., 2018, 1, 696–703. [2] Page, A.J., Mitchell, I., Li, H. et al. Spanning the parameter space of chemical vapor deposition graphene growth with quantum chemical simulations. J. Phys. Chem. C, 2016, 120, 13851−13864.
|