Machine Learning Based Electronic Structure Predictors in Single-Atom Alloys: A Model Study of CO Kink-Site Adsorption across Transition Metal Substrates
Notice bibliographique
Résumé
This work reports on a comprehensive analysis of the predictive capacity and underlying physicochemical trends provided by d -band based electronic structure features as applied to single-atom alloys (SAAs). Taking CO adsorption energies at kink sites as a model framework, SAA adsorption trends are examined across a range of substrates with vastly differing intrinsic CO adsorption trends. Through this approach, it is demonstrated that SAA adsorption properties can be highly transferable, often displaying atom-like behavior independent of the host substrate, particularly in groups 6 through 12 of the periodic table. The predictability of such SAA behavior is found, however, to be highly qualitative for single d -band based electronic structure features. Nevertheless, it is shown that predictive capacity can be greatly improved through the creation of a feature space comprised of as few as 8 electronic structure features. Intriguingly, following the framework of Hammer and Nørskov, the machine learning accuracy of d -band based electronic structure features is shown to be sensitive to the atomic configuration diversity present in the training ensemble with model accuracy systematically improving through restrictions in the configurational space. More directly, it is shown that elements to the far left of the transition metal block such as Zr and Hf may exhibit CO binding properties comparable to Cu in the CO 2 reduction reaction. However, impurities from groups 6–10 are demonstrated to overbind in a highly transferable manner in line with established pure substrate trends and are likely to act as unwanted posing species concerning CO and the overall CO 2 reduction reaction. The results of this work broadly lay out the predictive capabilities of d -band features as applied to SAAs, as well as their propensity for exhibiting transferable binding properties among d -band substrates.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».