Machine Learning-Predicted Ternary Molybdenum Chalcogenophosphides for High-Efficiency Hydrogen Evolution Catalysis
Notice bibliographique
Résumé
The search for efficient and cost-effective alternatives to platinum-based catalysts for the alkaline hydrogen evolution reaction (HER) remains a formidable challenge, driving the need for innovative materials. In this study, we employed machine learning-driven moment tensor potentials in conjunction with particle swarm optimization to predict a new family of ternary molybdenum chalcogenophosphides, specifically Mo 2 SP and Mo 3 SP. Our calculations show that these materials exhibit robust thermodynamic, kinetic, and thermal stability at room temperature, as indicated by their low formation energies, phonon dispersion curves free of imaginary frequencies, and molecular dynamics simulations. Advanced HSE06 calculations further confirm their metallic nature in the bulk phase. We also investigated their size-dependent nucleation behavior, finding that Mo 2 SP and Mo 3 SP possess distinct crystallization pathways, with Mo 2 SP showing a lower nucleation barrier. Notably, the (100) facet of Mo 3 SP displays optimal hydrogen adsorption energies and lower water dissociation barriers compared to the (110) facet of Mo 2 SP, highlighting its superior catalytic efficiency in the Volmer step of HER. These findings provide a crucial foundation for the development of high-performance, low-cost catalysts based on ternary molybdenum chalcogenophosphides, offering a promising alternative for sustainable hydrogen production.
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 | 0,001 | 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 ».