设为首页
收藏本站
 集团新闻
 新闻综述
 公告
 媒体评论
 首页>>新闻中心>>新闻综述
(纯计算)澳大利亚纽卡斯尔大学Nano Lett.: 高通量机器学习发现石墨烯生长合金催化剂
出处:科研任我行  录入日期:2023-10-31  点击数:2306

  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.

友情链接: 国际石墨烯产品认证中心IG...   西安丝路石墨烯创新中心   石墨烯产业技术创新战略联盟  

版权所有:北京现代华清材料科技发展有限责任公司 Copyright ©2024 

京ICP备10026874号-16  京公网安备 11010802023401