MétaCan
Menu
Retour à la cohorte
Enregistrement W4200462385 · doi:10.1007/s40820-021-00772-7

Regulating the Electron Localization of Metallic Bismuth for Boosting CO2 Electroreduction

2021· article· en· W4200462385 sur OpenAlexaff
Dan Wu, Renfei Feng, Chenyu Xu, Peng‐Fei Sui, Jiujun Zhang, Xian‐Zhu Fu, Jing‐Li Luo

Notice bibliographique

RevueNano-Micro Letters · 2021
Typearticle
Langueen
DomaineEnergy
ThématiqueCO2 Reduction Techniques and Catalysts
Établissements canadiensUniversity of AlbertaCanadian Light Source (Canada)
Organismes subventionnairesShenzhen UniversityShanghai Jiao Tong University
Mots-clésBismuthBoosting (machine learning)MetalElectronMaterials scienceNanotechnologyComputer scienceArtificial intelligencePhysicsMetallurgyNuclear physics

Résumé

récupéré en direct d'OpenAlex

Abstract Electrochemical reduction of CO2 to formate is economically attractive but improving the reaction selectivity and activity remains challenging. Herein, we introduce boron (B) atoms to modify the local electronic structure of bismuth with positive valence sites for boosting conversion of CO2 into formate with high activity and selectivity in a wide potential window. By combining experimental and computational investigations, our study indicates that B dopant differentiates the proton participations of rate-determining steps in CO2 reduction and in the competing hydrogen evolution. By comparing the experimental observations with the density functional theory, the dominant mechanistic pathway of B promoted formate generation and the B concentration modulated effects on the catalytic property of Bi are unravelled. This comprehensive study offers deep mechanistic insights into the reaction pathway at an atomic and molecular level and provides an effective strategy for the rational design of highly active and selective electrocatalysts for efficient CO2 conversion.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,242
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations54
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNano-Micro LettersMême sujetCO2 Reduction Techniques and CatalystsTravaux en français237 207