Digital Descriptors in Predicting Catalysis Reaction Efficiency and Selectivity
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
Accurately controlling the interactions and dynamic changes between multiple active sites (e.g., metals, vacancies, and lone pairs of heteroatoms) to achieve efficient catalytic performance is a key issue and challenge in the design of complex catalytic reactions involving 2D metal-supported catalysts, metal-zeolites, metal-organic catalysts, and metalloenzymes. With the aid of machine learning (ML), descriptors play a central role in optimizing the electrochemical performance of catalysts, elucidating the essence of catalytic activity, and predicting more efficient catalysts, thereby avoiding time-consuming trial-and-error processes. Three kinds of descriptors─active center descriptors, interfacial descriptors, and reaction pathway descriptors─are crucial for understanding and designing metal-supported catalysts. Specifically, vacancies, as active sites, synergize with metals to significantly promote the reduction reactions of energy-relevant small molecules. By combining some physical descriptors, interpretable descriptors can be constructed to evaluate catalytic performance. Future development of descriptors and ML models faces the challenge of constructing descriptors for vacancies in multicatalysis systems to rationally design the activity, selectivity, and stability of catalysts. Utilization of generative artificial intelligence and multimodal ML to automatically extract descriptors would accelerate the exploration of dynamic reaction mechanisms. The transferable descriptors from metal-supported catalysts to artificial metalloenzymes provide innovative solutions for energy conversion and environmental protection.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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