11月16日消息,一篇提交至arXiv(编号2611.20706,cond-mat.mtrl-sci)的研究由Marta Monti及四位合作者完成,针对多相催化与电催化中的关键步骤——解离水解离吸附(OH*+H*)——开发了一种免构建吸附质的图神经网络(GNN)高通量筛选框架,对象为有限尺寸镍纳米体系。
在镍纳米颗粒上,OH*和H*碎片可占据表面位点的大量组合,穷举密度泛函理论(DFT)筛选在计算上不可行。该研究的巧思在于表示方法:候选的O、H结合位点由若干镍原子集合(锚点,anchors)定义,每个位点对被编码为仅由这些锚点及其局部镍环境构成的图。模型只需以MACE弛豫后的裸镍几何结构作为输入,即可由两个独立的GNN分别预测OH*+H*构型相对DFT参考的吸附能,以及所提议的结合位点在DFT弛豫后是否会被保留,从而在筛选阶段完全跳过吸附质的构建与弛豫。
模型在镍纳米团簇与Ni(111)/Ni(100)表面数据上训练后,内部验证集的吸附能平均绝对误差达到0.031eV,并展现出对训练中未见过的Ni55、Ni91、Ni130团簇及更大表面胞的迁移能力,尤其在相对能量排序方面表现稳健。
该方法把纳米催化剂数千个候选吸附构型的筛选成本从海量DFT计算压缩到裸结构预弛豫加GNN推理,对电解水制氢催化剂、镍基加氢催化剂的活性位点高通量设计具有直接的工具价值。
(来源:arXiv)