
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于局部化学特征的可解释GNN框架用于预测双金属合金中的结合能
《npj Computational Materials》:Explainable GNN framework guided by local chemical features to predict binding energies in bimetallic alloys
【字体: 大 中 小 】 时间:2026年04月18日 来源:npj Computational Materials 11.9
编辑推荐:
摘要 吸附能量是关键的催化参数,能够揭示非均相催化剂上吸附物与活性位点之间的相互作用。然而,通过密度泛函理论(DFT)计算吸附能量耗时较长,这限制了高通量筛选的应用。本研究提出了一种基于图表示方法的机器学习(ML)技术,该方法利用图神经网络(GNN)以及从可获
吸附能量是关键的催化参数,能够揭示非均相催化剂上吸附物与活性位点之间的相互作用。然而,通过密度泛函理论(DFT)计算吸附能量耗时较长,这限制了高通量筛选的应用。本研究提出了一种基于图表示方法的机器学习(ML)技术,该方法利用图神经网络(GNN)以及从可获取的物理化学性质中衍生出的原子级局部描述符来对局部吸附位点进行建模。该技术在两个双金属数据集上进行了验证。第一个数据集包含不同A:B比例的AB型双金属平面,能够准确预测小型单齿吸附物(C、N、O、S、H)的结合能,其均方误差(MSE)分别为0.073/0.181 eV2(训练集/测试集)。第二个数据集涉及CO?在Ni-Ga基表面上的氢化反应中间体的反应能。GNN模型在复杂的原子结构(包括双齿吸附情况)下表现出优异的性能(MSE:0.001/0.002 eV2(训练集/测试集))。除了预测能力之外,聚类分析还提供了一种可解释的框架,揭示了结构和电子描述符如何合理指导催化剂设计与加深对吸附物-金属相互作用的理解。