Machine-Learning-Driven High-Entropy Alloy Catalyst Discovery to Circumvent the Scaling Relation for CO<sub>2</sub> Reduction Reaction
Notice bibliographique
Résumé
To achieve an equitable energy transition toward net-zero 2050 goals, the electrochemical reduction of CO 2 (CO 2 RR) to chemical feedstocks through utilizing both CO 2 and renewable energy is particularly attractive. However, the catalytic activity of CO 2 RR is limited by the scaling relation of the adsorption energies of intermediates. Circumventing the scaling relation is a potential strategy to achieve a breakthrough in catalytic activity. Herein, based on density functional theory (DFT) calculations, we designed a high-entropy alloy (HEA) system of FeCoNiCuMo with high catalytic activity for CO 2 RR. Machine learning models were developed by considering 1280 adsorption sites to predict the adsorption energies of COOH*, CO*, and CHO*. The scaling relation between the adsorption energies of COOH*, CO*, and CHO* is circumvented by the rotation of COOH* and CHO* on the designed HEA surface, resulting in the outstanding catalytic activity of CO 2 RR with the limiting potential of 0.29–0.51 V. This work not only accelerates the development of HEA catalysts but also provides an effective strategy to circumvent the scaling relation.
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) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».