Fast Evaluation of the Adsorption Energy ofOrganic Molecules on Metals via GraphNeural Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 découle