Fast Evaluation of the Adsorption Energy ofOrganic Molecules on Metals via GraphNeural Networks
Notice bibliographique
Résumé
Modeling of solid-state material-molecule interfaces in heterogeneous catalysis requires the extensive evaluation of the energy of molecules on surfaces. Obtaining the binding energy of many configurations of large organic molecules requires a vast amount of computational time with density functional theory (DFT). Here, we use a graph neural network (GNN) to evaluate the adsorption energy of molecular species adsorbed on metallic surfaces. The GNN is trained on a set of C1–4 fragments including N, O, S heteroatoms and C6–10 aromatic rings. Compared to DFT, the GNN shows a mean absolute error (MAE) of 0.17 eV on the test set being 6 orders of magnitude faster. When applying the trained model with subsequent hyperparameter optimization to molecules of industrial interest (biomass, plastics and polyurethanes precursors) containing up to 22 carbon atoms, the prediction performance for the adsorption energy yields a MAE of 0.03 eV/(non-H atom). While the error for out-of-distribution molecules is higher, it is still within the acceptable limit for adsorption energies (0.05 eV/atom), confirming the viability of the approach. The proposed framework represents a potential tool for the fast screening of catalytic materials, as well as their inverse design, enabling the multi-scale modeling for systems that cannot be easily simulated by DFT.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».